(45-5) 14 * << * >> * Русский * English * Содержание * Все выпуски

Классификация изображений оперения для определения видовой принадлежности птиц
А.В. Белько 1, К.С. Добратулин 1,2, А.В. Кузнецов 1,3

1 Самарский национальный исследовательский университет имени академика С.П. Королёва,
443086, Россия, г. Самара, Московское шоссе, д. 34,
2 Национальный исследовательский технологический университет «МИСиС»,
119049, Россия, г. Москва, Ленинский проспект, д. 4,
3 ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН,
443001, Россия, г. Самара, ул. Молодогвардейская, д. 151

 PDF, 1438 kB

DOI: 10.18287/2412-6179-CO-836

Страницы: 749-755.

Аннотация:
В работе исследуется возможность применения нейронных сетей для классификации изображений оперения с целью определения видовой принадлежности птиц. Таксономическая идентификация птиц по перу широко применяется в авиационной орнитологии для анализа столкновений с летательными аппаратами и разработки методов их предотвращения. В данной статье производится обучение на основе набора данных с фотографиями оперения птиц. Проводится сравнение классификаторов, обученных на четырех выборках из исходного набора данных. Предлагается метод идентификации птиц по изображениям с реальными данными на основе нейронных сетей YoloV4 и моделей группы DenseNet. Проведенная экспериментальная оценка показала, что предложенный метод позволяет определить видовую принадлежность птицы по фотографии отдельного пера с точностью до 81,03 % для точной классификации и с точностью 97,09 % для первых пяти предсказаний классификатора.

Ключевые слова:
машинное зрение, распознавание образов, сверточные нейронные сети, авиационная орнитология.

Цитирование:
Белько, А.В. Классификация изображений оперения для определения видовой принадлежности птиц / А.В. Белько, К.С. Добратулин, А.В. Кузнецов // Компьютерная оптика. – 2021. – Т.  45, № 5. – С. 749-755. – DOI: 10.18287/2412-6179-CO-836.

Citation:
Belko AV, Dobratulin KS, Kuznetsov AV. Classification of plumage images for identifying bird species. Computer Optics 2021; 45(5): 749-755. DOI: 10.18287/2412-6179-CO-836.

Литература:
  1. Soldatini, C. An ecological approach to birdstrike risk analysis / C. Soldatini, V. Georgalas, P. Torricelli, Y.V. Albores-Barajas // European Journal of Wildlife Research. – 2010. – Vol. 56, Issue 4. – P. 623-632.
  2. Yang, R. Using DNA barcodes to identify a bird involved in a birdstrike at a Chinese airport / R. Yang, X.B. Wu, P. Yan, X.Q. Li // Molecular Biology Reports. – 2010. – Vol. 37, Issue 7. – P. 3517-3523.
  3. Belko, A. Feathers dataset for fine-grained visual categorization / A. Belko, K. Dobratulin, A. Kuznetsov // Proceedings of SPIE. – 2020. – Vol. 11605. – 1160518. – DOI: 10.1117/12.2588386.
  4. Berg, T. Birdsnap: Large-scale fine-grained visual categorization of birds / T. Berg, J. Liu, S.W. Lee, M.L. Alexander, D.W. Jacobs, P.N. Belhumeur // 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2014. – P. 2019-2026.
  5. Fu, J. Look closer to see better: Recurrent attention convolutional neural network for fine-grained image recognition / J. Fu, H. Zheng, T. Mei // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2017. – P. 4476-4484.
  6. Araujo, V.M. Fine-grained hierarchical classification of plant leaf images using fusion of deep models / V.M. Araujo, A.S. Britto, A.L. Brun, L.E.S. Oliveira, A.L. Koerich // 2018 IEEE 30th International Conference on Tools with Artificial Intelligence (ICTAI). – 2018. – P. 4476-4484.
  7. Yang, L.J. A large-scale car dataset for fine-grained categorization and verification / L.J. Yang, P. Luo, C.C. Loy, X. Tang // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) – 2015. – P. 3973-3981.
  8. Hou, S.H. VegFru: A domain-specific dataset for fine-grained visual categorization / S.H. Hou, Y.S. Feng, Z.L. Wang // 2017 IEEE International Conference on Computer Vision (ICCV). – 2017. – P. 541-549.
  9. Dai, X.Y. Efficient fine-grained classification and part localization using one compact network / X.Y. Dai, B. Southall, N. Trinh, B. Matei // 2017 IEEE International Conference on Computer Vision Workshops (ICCVW 2017). – 2017. – P. 996-1004.
  10. Zhao, B. A survey on deep learning-based fine-grained object classification and semantic segmentation / B. Zhao, J.S. Feng, X. Wu, S.C. Yan // International Journal of Automation and Computing. – 2017. – Vol. 14, Issue 2. – P. 119-135.
  11. Priyadharshini, P. Hyperspectral image classification using MLL and Graph cut methods / P. Priyadharshini, K. Thilagavathi // Proceedings of 2016 Online International Conference on Green Engineering and Technologies (IC-GET). – 2016. – P. 1-6.
  12. Pandey, M. Scene recognition and weakly supervised object localization with deformable part-based models / M. Pandey, S. Lazebnik // 2011 IEEE International Conference on Computer Vision (ICCV). – 2011. – P. 1307-1314.
  13. Silla, C.N. A survey of hierarchical classification across different application domains / C.N. Silla, A.A. Freitas // Data Mining and Knowledge Discovery. – 2011. – Vol. 22, Issues 1-2. – P. 31-72.
  14. Krause, J. The unreasonable effectiveness of noisy data for fine-grained recognition / J. Krause, B. Leibe, J. Matas. – In: Computer vision – ECCV 2016, Part III / ed. by B. Leibe, J. Matas, N. Sebe, M. Welling. – Springer International Publishing AG, 2016. – P. 301-320.
  15. Mitchell, R. Web scraping with Python: Collecting data from the Modern Web / R. Mitchell. – Sebastopol: O'Reilly Media, 2015. – 256 p.
  16. Глумов, Н.И. Обнаружение и распознавание объектов на изображениях / Н.И. Глумов, В.В. Мясников, В.В. Сергеев. – Самара: Изд-во Самар. ун-та, 2010. – 141 с.
  17. Zhu, Q.F. Study on the evaluation method of sound phase cloud maps based on an improved YOLOv4 algorithm / Q.F. Zhu, H.F. Zheng, Y.B. Wang, Y.G. Cao, S.X. Guo // Sensors. – 2020. – Vol. 20, Issue 15. – 4314.
  18. Redmon, J. You only look once: Unified, real-time object detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2016. – P. 779-788.
  19. Sarkar, D. Hands-on transfer learning with Python / D. Sarkar, R. Bali, T. Ghosh. – Birmingham: Packt Publishing, 2018. – 440 p.
  20. Lin, T.-Y. Microsoft COCO: common objects in context / T.-Y. Lin, M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan, P. Dollar, C.L. Zitnick. – In: Computer vision – ECCV 2014, Part V / ed. by D. Fleet, T. Pajdla, B. Schiele, T. Tuytelaars. – New York: Springer, 2014. – P. 740-755.
  21. Международный кодекс зоологической номенклатуры, принятый XV Международным зоологическим конгрессом / пер. на рус. яз. Д.В. Обручева; Академия наук СССР, Отделение общей биологии. — М.-Л.: Наука, 1966. – 100 с.
  22. Huang, G. Densely connected convolutional networks / G. Huang, Z. Liu, L. Van Der Maaten // 30th IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2017). – 2017. – P. 2261-2269.
  23. Valev, K. A systematic evaluation of recent deep learning architectures for fine-grained vehicle classification / K. Valev, A. Schumann, L. Sommer, J. Beyerer // Proceedings of SPIE. – 2018. – Vol. 10649. – 1064902.
  24. Everingham, M. The PASCAL visual object classes (VOC) challenge / M. Everingham, L. Van Gool, C.K.I. Williams, J. Winn, A. Zisserman // International Journal of Computer Vision. – 2010. – Vol. 88. – P. 303-338.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20