Classification of butterfly species with improved models based on transfer learning method of convolutional neural networks
Dit artikel stelt een robuuste GDD-TL-methode voor, die transfer learning met specifieke lagen verbetert om een nauwkeurigheid van 94,33% te bereiken bij het classificeren van vlindersoorten, waarmee standaard CNN-architecturen wordt overtroffen en een sterke generalisatie over diverse datasets wordt aangetoond.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De natuur zit vol subtiele aanwijzingen die ons vertellen welk wezen wat is, maar voor het menselijk oog kan het onderscheiden van duizenden vlindersoorten een langzame en moeilijke taak zijn. Wetenschappers vertrouwen al lang op het bestuderen van de specifieke patronen op de vleugels, de vorm van het lichaam en de kleuren om deze insecten te identificeren, een proces dat tijd, expertise en vaak een microscoop vereist. In de afgelopen jaren heeft een tak van de informatica genaand deep learning echter een nieuwe manier geboden om de wereld te zien. Deze technologie maakt gebruik van kunstmatige systemen die ontworpen zijn om het vermogen van het menselijk brein om te leren van ervaringen na te bootsen. In plaats van geprogrammeerd te worden met een rigide lijst met regels, worden deze systemen gevoed met enorme hoeveelheden afbeeldingen, waardoor ze zelf de unieke kenmerken kunnen ontdekken die een soort definiëren. Wanneer deze systemen worden toegepast op fotografie, worden ze krachtige instrumenten voor natuurbehoud, waarbij ze onderzoekers helpen de biodiversiteit te volgen en milieuveranderingen te monitoren zonder dat zij experts hoeven te zijn in elk afzonderlijk insect.
In een recente studie probeerden onderzoekers van de Necmettin Erbakan Universiteit in Turkije de manier waarop computers vlinders identificeren te verbeteren. Ze begonnen met het verzamelen van een diverse collectie van 5.624 foto's die 49 verschillende soorten vertegenwoordigen. Deze beelden waren niet uniform; ze werden vastgelegd onder verschillende lichtomstandigheden, vanuit verschillende hoeken, en bevatten zowel de boven- als de onderkant van de vleugels, wat een realistische uitdaging vormde voor de computer om op te lossen. Het team testte eerst acht verschillende bestaande computermodellen, die elk getraind waren op miljoenen algemene afbeeldingen om basisvormen en texturen te herkennen. Ze vroegen deze modellen om de specifieke details van vlinders te leren met behulp van een techniek genaamd transfer learning, wat vergelijkbaar is met het nemen van een student die al kan lezen en die vervolgens een nieuwe taal leert, in plaats van vanaf nul te beginnen. Onder de geteste modellen presteerde één model genaamd DenseNet201 het best, waarbij het de soort in ongeveer 91 procent van de testgevallen correct identificeerde.
In het besef dat er nog ruimte was voor verbetering, ontwikkelden de onderzoekers een nieuwe methode om te verfijnen hoe de computer deze afbeeldingen verwerkt. Ze voegden drie specifieke lagen toe aan de bovenkant van het best presterende model. De eerste laag fungeert als een samenvatting, die de complexe visuele informatie condenseert tot een enkele, heldere waarde. De tweede laag is een dichte verbinding die het systeem in staat stelt om complexe relaties tussen verschillende kenmerken te leren, terwijl de derde laag tijdens de training willekeurig kleine delen van de informatie negeert om het systeem robuuster te maken en minder waarschijnlijk fouten te laten maken op basis van minder belangrijke details. Ze noemden deze verbeterde aanpak GDD-TL. Toen ze deze nieuwe methode toepasten op dezelfde 49 soorten, verbeterden de resultaten aanzienlijk. Het systeem identificeerde 94,33 procent van de vlinders in de testset correct, een opmerkelijke sprong ten opzichte van de vorige beste prestatie.
Om er zeker van te zijn dat dit succes niet slechts een gelukkige uitschieter was met één specifieke set foto's, testte het team hun verbeterde model op een veel grotere en complexere dataset die te vinden is op een publiek gegevensplatform. Deze tweede collectie bevatte 13.604 afbeeldingen van 100 verschillende soorten, inclusief zowel vlinders als motten. Zelfs met het grotere aantal soorten en afbeeldingen behield het model zijn hoge prestaties en behaalde een nauwkeurigheid van 95,20 procent. Dit bewees dat de methode goed kon generaliseren, wat betekent dat het kan toepassen wat het heeft geleerd op nieuwe, ongeziene situaties zonder de effectiviteit te verliezen. De studie vergeleek hun resultaten ook met andere recente, hoogpresterende methoden, en hun aanpak presteerde consequent beter op het gebied van nauwkeurigheid en betrouwbaarheid.
De onderzoekers concludeerden dat hoewel standaard computermodellen al erg goed zijn in deze taak, het toevoegen van specifieke, op maat gemaakte lagen ze aanzienlijk nauwkeuriger en betrouwbaarder kan maken. Hun werk suggereert dat voor de complexe taak van het identificeren van fijne details in de natuur, een iets meer geavanceerde architectuur beter is dan een eenvoudige. Kijkend naar de toekomst, is het team van plan deze technologie te verpakken in mobiele en desktopapplicaties die natuurfotografen en onderzoekers offline kunnen gebruiken, waardoor instant soortidentificatie mogelijk is, zelfs in afgelegen gebieden zonder internettoegang. Deze vooruitgang belooft het werk van het monitoren en beschermen van deze delicate wezens sneller en toegankelijker te maken voor iedereen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.