11、基于深度学习的流浪猫识别网络应用

基于深度学习的流浪猫识别网络应用

1 引言

流浪猫个体识别是一项耗时且繁琐的工作，借助深度学习模型可实现自动识别。本文将详细介绍如何构建流浪猫识别模型，以及开发相应的网络应用。

2 ResNet 与数据集

2.1 ResNet 简介

ResNet 是一种适用于训练深度网络的残差学习框架，它通过重构层来学习基于层输入的残差函数。残差网络易于优化，能提高因增加深度而获得的准确性，解决了梯度消失问题，因为梯度信号可借助捷径连接传播回前层，从而允许在网络中构建更多层。在本工作中，使用了不同层数的 ResNet（50 层 ResNet 和 101 层 ResNet），层数不同对模型的准确性和性能有影响。

2.2 数据集详情

• 数据来源 ：所有图像基于热感应相机陷阱拍摄，相机在动物经过时触发。照片拍摄于维多利亚州农村的两个主要地点：奥特韦山脉和格伦埃尔格地区。相机陷阱分布在这些地点的多个网格中，每个网格有 70 - 110 台相机，运行 2 - 3 个月。
• 图像质量问题 ：由于拍摄的是移动动物，许多图像质量较低，如模糊、只包含部分身体、猫重叠、过度曝光等。为解决此问题，选择了能展示每只猫不同侧面的高质量图像，将高质量照片少于 5 张的猫归为“其他”类。
• 数据预处理
  1. 数据不平衡处理 ：部分流浪猫选定图像少于 10 张，而其他猫多于 50 张，数据集不平衡。采用数据增强方法，如旋转（将