【目的】针对红外相机拍摄的野生动物图像数据量大、无效图像占比多、图像背景复杂等问题,提出一种可对图像进行自动、高准确率识别的模型,为生物多样性研究和野生动物保护工作提供更高效的支持。【方法】收集整理近4年来北京园林绿化...【目的】针对红外相机拍摄的野生动物图像数据量大、无效图像占比多、图像背景复杂等问题,提出一种可对图像进行自动、高准确率识别的模型,为生物多样性研究和野生动物保护工作提供更高效的支持。【方法】收集整理近4年来北京园林绿化生态系统监测网络各站点红外相机拍摄的约5 TB图像数据,对其手工标注并进行数据增强后自建10类共4234张图像数据集。基于ConvNeXt卷积神经网络,结合北京地区野生动物图像数据集特点,设计BSGG-ConvNeXt模型,使用BlurPool、SENet、全局响应归一化层(GRN)、GCNet提升模型识别能力,并在自建数据集上探究训练策略对ConvNeXt网络识别准确率的影响,通过与其他经典模型比较,明确BSGG-ConvNeXt模型的优势。利用公开的红外野生动物Snapshot Serengeti(SS)数据集和Caltech Camera Traps(CCT)数据集,验证模型的泛化能力。【结果】以ConvNeXt的ConvNeXt-T网络尺寸模型为例,其在自建数据集中的准确率为74.13%,乘加累积操作数(MACs)为4.47×10^(9)。应用不同改进方案发现,使用BlurPool后准确率提升2.2%,MACs降至1.07×10^(9);使用SENet后准确率提升3.2%;使用GRN并删掉缩放层后准确率升至87.18%,参数数量增至27.88×10^(6);使用GCNet后在不增大计算量的情况下准确率升至75.44%,但参数数量增至28.25×10^(6)。将上述改进方案结合得到的BSGGConvNeXt应用于ConvNeXt-T模型获得BSGG-ConvNeXt-T模型,参数数量虽有少量增多,但MACs降为1.07×10^(9),模型准确率升至83.63%,高于原模型。使用预训练权重后的BSGG-ConvNeXt-T模型准确率可达94.07%,高于ResNet-50(76.39%)、ResNeXt-50(87.60%)、MobileViT(90.00%)、DenseNet(87.66%)、RegNet(69.90%)、ConvNeXtv2(91.93%)、SwinTransformer的(86.23%)和MobileOne(71.53%),将BSGG-ConvNeXt模型应用于4种不同网络尺寸的ConvNeXt模型后,在自建数据集中的表现均优于未改进模型。BSGG-ConvNeXt模型在SS数据集中的识别准确率达50.28%,在CCT数据集中的识别准确率达56.15%,均高于原模型的准确率。【结论】BSGG-ConvNeXt模型识别红外相机拍摄的野生动物图像准确率更高,在自建、公开的野生动物红外图像数据集上均有较好表现,且具有一定泛化能力。展开更多
土壤是具有高度异质性的复合体。早期的数字土壤制图研究主要关注水平方向的土壤空间变异和制图,对垂直方向空间变异和土壤三维制图考虑较少。近年来,三维地理信息技术和对地观测与探测技术的快速发展,极大地促进了土壤三维空间数据获...土壤是具有高度异质性的复合体。早期的数字土壤制图研究主要关注水平方向的土壤空间变异和制图,对垂直方向空间变异和土壤三维制图考虑较少。近年来,三维地理信息技术和对地观测与探测技术的快速发展,极大地促进了土壤三维空间数据获取、三维空间推测、三维数据模型、三维模型构建和可视化方法等方面的研究。本文对三维空间土壤推测与土壤模型构建的已有方法进行梳理和评述,以期为三维数字土壤制图的应用和发展提供建议。以三维土壤制图、三维GIS、三维数据模型、三维地质建模、三维可视化、土壤空间变异、空间推测、克里格插值、土壤-景观分析、深度函数、机器学习、地统计学、随机模拟等为关键词检索Web of Science数据库,基于相关度、引用率和文献来源等因素进一步筛选出重点文献进行分析。归纳整理了土壤空间变异性、三维空间土壤推测、三维空间数据模型和三维模型构建等关键技术的现有研究体系,对各种三维推测和建模方法的优缺点和适用场景作出评价。针对目前研究中存在的垂直方向土壤数据稀少、土壤三维推测精度低、三维模型质量待提高等问题,提出一些可行的研究思路。展开更多
文摘【目的】针对红外相机拍摄的野生动物图像数据量大、无效图像占比多、图像背景复杂等问题,提出一种可对图像进行自动、高准确率识别的模型,为生物多样性研究和野生动物保护工作提供更高效的支持。【方法】收集整理近4年来北京园林绿化生态系统监测网络各站点红外相机拍摄的约5 TB图像数据,对其手工标注并进行数据增强后自建10类共4234张图像数据集。基于ConvNeXt卷积神经网络,结合北京地区野生动物图像数据集特点,设计BSGG-ConvNeXt模型,使用BlurPool、SENet、全局响应归一化层(GRN)、GCNet提升模型识别能力,并在自建数据集上探究训练策略对ConvNeXt网络识别准确率的影响,通过与其他经典模型比较,明确BSGG-ConvNeXt模型的优势。利用公开的红外野生动物Snapshot Serengeti(SS)数据集和Caltech Camera Traps(CCT)数据集,验证模型的泛化能力。【结果】以ConvNeXt的ConvNeXt-T网络尺寸模型为例,其在自建数据集中的准确率为74.13%,乘加累积操作数(MACs)为4.47×10^(9)。应用不同改进方案发现,使用BlurPool后准确率提升2.2%,MACs降至1.07×10^(9);使用SENet后准确率提升3.2%;使用GRN并删掉缩放层后准确率升至87.18%,参数数量增至27.88×10^(6);使用GCNet后在不增大计算量的情况下准确率升至75.44%,但参数数量增至28.25×10^(6)。将上述改进方案结合得到的BSGGConvNeXt应用于ConvNeXt-T模型获得BSGG-ConvNeXt-T模型,参数数量虽有少量增多,但MACs降为1.07×10^(9),模型准确率升至83.63%,高于原模型。使用预训练权重后的BSGG-ConvNeXt-T模型准确率可达94.07%,高于ResNet-50(76.39%)、ResNeXt-50(87.60%)、MobileViT(90.00%)、DenseNet(87.66%)、RegNet(69.90%)、ConvNeXtv2(91.93%)、SwinTransformer的(86.23%)和MobileOne(71.53%),将BSGG-ConvNeXt模型应用于4种不同网络尺寸的ConvNeXt模型后,在自建数据集中的表现均优于未改进模型。BSGG-ConvNeXt模型在SS数据集中的识别准确率达50.28%,在CCT数据集中的识别准确率达56.15%,均高于原模型的准确率。【结论】BSGG-ConvNeXt模型识别红外相机拍摄的野生动物图像准确率更高,在自建、公开的野生动物红外图像数据集上均有较好表现,且具有一定泛化能力。
文摘土壤是具有高度异质性的复合体。早期的数字土壤制图研究主要关注水平方向的土壤空间变异和制图,对垂直方向空间变异和土壤三维制图考虑较少。近年来,三维地理信息技术和对地观测与探测技术的快速发展,极大地促进了土壤三维空间数据获取、三维空间推测、三维数据模型、三维模型构建和可视化方法等方面的研究。本文对三维空间土壤推测与土壤模型构建的已有方法进行梳理和评述,以期为三维数字土壤制图的应用和发展提供建议。以三维土壤制图、三维GIS、三维数据模型、三维地质建模、三维可视化、土壤空间变异、空间推测、克里格插值、土壤-景观分析、深度函数、机器学习、地统计学、随机模拟等为关键词检索Web of Science数据库,基于相关度、引用率和文献来源等因素进一步筛选出重点文献进行分析。归纳整理了土壤空间变异性、三维空间土壤推测、三维空间数据模型和三维模型构建等关键技术的现有研究体系,对各种三维推测和建模方法的优缺点和适用场景作出评价。针对目前研究中存在的垂直方向土壤数据稀少、土壤三维推测精度低、三维模型质量待提高等问题,提出一些可行的研究思路。
