Core Concepts
Ein aktives Lernmodell wurde entwickelt, um Tierarten in Kamerafallendaten aus Hongkong effizient und mit relativ wenigen beschrifteten Bildern zu klassifizieren.
Abstract
Die Studie präsentiert ein Workflow-Modell, das MegaDetector und aktives Lernen nutzt, um einen Deep-Learning-Klassifikator für Tiere in Hongkong zu trainieren.
Zunächst wurden die Kamerafallendaten mithilfe von MegaDetector v5a sortiert, um nur Bilder mit Tieren zu behalten. Anschließend wurde ein ResNet50-Modell, das zuvor auf ImageNet trainiert wurde, durch Transfer-Lernung auf die Hongkong-Daten feinjustiert.
Dieses initiale Modell erreichte eine Genauigkeit von 89%, fiel jedoch auf 50% ab, wenn es auf unabhängige Hongkong-Datensätze angewendet wurde.
Um die Übertragbarkeit zu verbessern, wurde ein zweites Modell mit aktivem Lernen entwickelt. Dieses Modell erreichte durch schrittweises Hinzufügen von Trainingsdaten eine Genauigkeit von 94,1% auf dem unabhängigen Datensatz, mit Präzision, Recall und F1-Wert von 93,7%, 81,9% bzw. 87,4%. Einige Klassen wie "andere Tiere" hatten jedoch deutlich niedrigere Werte aufgrund der geringen Datenmenge.
Das Workflow-Modell ermöglicht Ökologen eine effiziente und kostengünstige Klassifizierung von Kamerafallendaten in Hongkong.
Stats
Die Gesamtgenauigkeit des aktiven Lernmodells auf dem unabhängigen Datensatz betrug 94,1%.
Die Präzision des Modells lag bei 93,7%.
Der Recall-Wert des Modells betrug 81,9%.
Der F1-Wert des Modells lag bei 87,4%.
Quotes
"Das Workflow-Modell ermöglicht Ökologen eine effiziente und kostengünstige Klassifizierung von Kamerafallendaten in Hongkong."
"Einige Klassen wie 'andere Tiere' hatten jedoch deutlich niedrigere Werte aufgrund der geringen Datenmenge."