Mejorando la identificación de ciervos sika: integrando redes siamesas basadas en CNN con clasificación SVM
Autores: Sharma, Sandhya; Timilsina, Suresh; Gautam, Bishnu Prasad; Watanabe, Shinya; Kondo, Satoshi; Sato, Kazuhiko
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Mejorando la identificación de ciervos sika: integrando redes siamesas basadas en CNN con clasificación SVM
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Vida silvestre
Esfuerzos de conservación
Red Neuronal Convolucional
Ciervo Sika
Máquina de Vectores de Soporte
Análisis de Componentes Principales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 45
Citaciones: Sin citaciones
Identificar con precisión la vida silvestre individual es fundamental para la gestión efectiva de especies y los esfuerzos de conservación. Sin embargo, se vuelve particularmente desafiante cuando características distintivas, como la forma y el tamaño de las manchas, sirven como discriminadores principales, como en el caso del ciervo Sika. Para abordar este desafío, empleamos cuatro modelos base de Redes Neuronales Convolucionales (CNN) diferentes (EfficientNetB7, VGG19, ResNet152, Inception_v3) dentro de una Arquitectura de Red Siamesa que utilizaba funciones de pérdida de tripletas para la identificación y reidentificación del ciervo Sika. Posteriormente, determinamos el modelo de mejor rendimiento en función de su capacidad para capturar características discriminativas. A partir de este modelo, extraímos incrustaciones que representan las características aprendidas. Luego aplicamos una Máquina de Vectores de Soporte (SVM) a estas incrustaciones para clasificar individualmente los ciervos Sika. Analizamos 5169 conjuntos de datos de imágenes que consistían en imágenes de siete ciervos Sika individuales capturados con tres trampas para cámaras desplegadas en tierras de cultivo en Hokkaido, Japón, durante más de 60 días. Durante nuestro análisis, ResNet152 tuvo un rendimiento excepcional, logrando una precisión de entrenamiento de 0,97 y una precisión de validación de 0,96, con puntajes mAP para los conjuntos de datos de entrenamiento y validación de 0,97 y 0,96, respectivamente. Extraímos incrustaciones dimensionales de 128 de ResNet152 y realizamos un Análisis de Componentes Principales (PCA) para reducción de dimensionalidad. PCA1 y PCA2, que juntos representaron más del 80% de la varianza en conjunto, fueron seleccionados para el análisis SVM subsiguiente. La utilización del núcleo de Función de Base Radial (RBF), que produjo un puntaje de validación cruzada de 0,96, resultó ser el más adecuado para nuestra investigación. La optimización de hiperparámetros utilizando la biblioteca GridSearchCV resultó en un valor de gamma de 10 y un valor de C de 0,001. El clasificador SVM OneVsRest logró una impresionante precisión general del 0,97 y 0,96, respectivamente, para los conjuntos de datos de entrenamiento y validación. Este estudio presenta un modelo preciso para identificar ciervos Sika individuales utilizando imágenes y fotogramas de video, que puede ser replicado para otras especies con patrones únicos, ayudando así a conservacionistas e investigadores a monitorear y proteger efectivamente a las especies.
Descripción
Identificar con precisión la vida silvestre individual es fundamental para la gestión efectiva de especies y los esfuerzos de conservación. Sin embargo, se vuelve particularmente desafiante cuando características distintivas, como la forma y el tamaño de las manchas, sirven como discriminadores principales, como en el caso del ciervo Sika. Para abordar este desafío, empleamos cuatro modelos base de Redes Neuronales Convolucionales (CNN) diferentes (EfficientNetB7, VGG19, ResNet152, Inception_v3) dentro de una Arquitectura de Red Siamesa que utilizaba funciones de pérdida de tripletas para la identificación y reidentificación del ciervo Sika. Posteriormente, determinamos el modelo de mejor rendimiento en función de su capacidad para capturar características discriminativas. A partir de este modelo, extraímos incrustaciones que representan las características aprendidas. Luego aplicamos una Máquina de Vectores de Soporte (SVM) a estas incrustaciones para clasificar individualmente los ciervos Sika. Analizamos 5169 conjuntos de datos de imágenes que consistían en imágenes de siete ciervos Sika individuales capturados con tres trampas para cámaras desplegadas en tierras de cultivo en Hokkaido, Japón, durante más de 60 días. Durante nuestro análisis, ResNet152 tuvo un rendimiento excepcional, logrando una precisión de entrenamiento de 0,97 y una precisión de validación de 0,96, con puntajes mAP para los conjuntos de datos de entrenamiento y validación de 0,97 y 0,96, respectivamente. Extraímos incrustaciones dimensionales de 128 de ResNet152 y realizamos un Análisis de Componentes Principales (PCA) para reducción de dimensionalidad. PCA1 y PCA2, que juntos representaron más del 80% de la varianza en conjunto, fueron seleccionados para el análisis SVM subsiguiente. La utilización del núcleo de Función de Base Radial (RBF), que produjo un puntaje de validación cruzada de 0,96, resultó ser el más adecuado para nuestra investigación. La optimización de hiperparámetros utilizando la biblioteca GridSearchCV resultó en un valor de gamma de 10 y un valor de C de 0,001. El clasificador SVM OneVsRest logró una impresionante precisión general del 0,97 y 0,96, respectivamente, para los conjuntos de datos de entrenamiento y validación. Este estudio presenta un modelo preciso para identificar ciervos Sika individuales utilizando imágenes y fotogramas de video, que puede ser replicado para otras especies con patrones únicos, ayudando así a conservacionistas e investigadores a monitorear y proteger efectivamente a las especies.