换一批融入注意力机制的东北虎和东北豹图像识别算法研究
An Image Recognition Algorithm Integrated With Attention Mechanism for Amur Tiger and Amur Leopard
摘要为解决自动感应红外相机在野外环境监测中遇到树木遮挡、背景干扰、夜间识别困难等问题,本研究通过构建融入注意力机制的深度学习模型作为目标识别的基础框架,实现更高效、更精准的野生动物识别方法.本研究选取东北虎豹国家公园内的东北虎(Panthera tigris altaica)、东北豹(P.pardus orientalis)、野猪(Sus scrofa)、梅花鹿(Cervus nippon)和狍子(Capreolus pygargus)五物种作为研究对象,提出融入注意力机制模块并实现局部跨通道交流的卷积神经网络模型,以实现降低复杂背景环境对目标识别的影响,完成区分昼夜、不同角度及不同场景下的动物精准识别.结果表明:本数据集下YOLO_v5m算法平均精度均值为 86.67%,引入迁移算法后平均精度均值为 91.16%,提高了 4.49%,有较好的识别效果,且训练时长缩短了 106 min;在迁移算法的基础上融入CA、CBAM、SE和ECA四类注意力机制后,CA 注意力具有良好的性能,平均精度为 93.72%,相比另外三种注意力机制分别提高了 1.85%、1.78%、1.05%.此外,融入注意力机制的深度学习模型还具有精度高、稳定性强等优势,更适用于复杂背景下的东北虎与东北豹识别.
更多相关知识
关键词
野生动物深度学习红外相机迁移算法注意力机制Wild animalDeep learningInfrared cameraTransfer learningAttention mechanism
栏目名称
DOI
10.13859/j.cjz.202524108
发布时间
2026-01-06（万方平台首次上网日期，不代表论文的发表时间）
基金项目
吉林省科技发展计划项目（No.YDZJ202301ZYTS221）
长春师范大学自然科学基金项目（2019）
- 浏览1
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
