首页|多特征融合的鸟类物种识别方法

多特征融合的鸟类物种识别方法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
深度学习输入特征的选择直接影响其分类性能,为了进一步提高基于深度学习的鸟类物种识别模型的分类性能,该文提出一种多特征融合识别方法.该方法首先通过短时傅里叶变换、梅尔倒谱变换和线性调频小波变换分别计算得到鸣声信号的3种语图样本集,然后分别利用3种语图样本集训练3个基于VGG16迁移的单一特征模型,将3个模型的输出进行自适应加权求和实现融合,并修正了加权交叉熵函数以克服样本不平衡的问题,最后对语图进行分类实现鸟类物种的识别.以ICML4B鸣声库的35种鸟类为研究对象,对比了4种模型的平均识别准确率(MAP),结果表明特征融合模型较单一特征模型的MAP最大提高了0.307;选择输入语图的持续时间分别为100 ms、300 ms以及500 ms,对比不同持续时间下4种模型的测试MAP值,结果表明持续时间为300 ms时4种模型的MAP值均为最高;对比了不同信噪比下4种模型的识别效果,多特征融合模型的识别准确率随着信噪比的下降降低最少.说明在选择合适的语图持续时间后,该文提出的特征融合模型能得到更高的识别准确率,具有一定的抗噪能力,且训练参数少,更适合于少样本鸟类的识别.
Bird species recognition method based on multi-feature fusion

谢将剑、杨俊、邢照亮、张卓、陈新

展开 >

北京林业大学工学院 北京 100083

林业装备与自动化国家林业和草原局重点实验室 北京 100083

先进输电技术国家重点实验室(全球能源互联网研究院有限公司) 北京 102211

鸟类物种识别 深度卷积神经网络 多特征融合

国家自然科学基金资助项目国家电网公司科技项目国家重点研发项目中央高校基本科研业务费专项

31670553SGGR0000WLJS18010822017YFC14035032016ZCQ08

2020

应用声学
中国科学院声学研究所

应用声学

CSTPCDCSCD北大核心
影响因子：1.128
ISSN：1000-310X
年,卷(期)：2020.39(2)
  • 14
  • 9