滨海湿地的鸟类监测计数方法:目标检测与密度估计

滨海湿地中鸟类是主要的生物之一。我们保护鸟群的同时也是保护湿地,对湿地中鸟群的监测是必不可少的方法之一。对影像资料中鸟类进行识别计数的现有方法对图像本身要求较高,如背景与目标易于区分,目标重叠度低等。而基于数据驱动的深度学习模型能有效学习目标特征,提高识别率。本文基于迁移学习理念,从目标检测和密度估计两个角度对湿地中鸟类进行统计计数,建立了滨海湿地鸟类图像数据集,其他鸟类图像作为补充,其中单张图像包含鸟类的数量1~900不等。同时得到在测试集中目标检测模型YOLOv4的平均计数误差为6.70,密度回归模型CAN的平均计数误差为15.11。

海洋声层析中卷积神经网络的应用实例:不同反馈系数m序列的识别分割

海洋声层析中接收水下声波信号并确定声波信号的到达时间是水体参数反演中至关重要的一步。而确定信号到达时间的互相关运算计算速度慢的特点不满足特定场景下快速计算的要求。本文基于监督学习的理论和方法,制作了声层析信号数据集,并设计了两种卷积神经网络模型,一为1DU-net的信号分割模型,另一为GAPNet的信号分类模型。最终训练学习结果中1D U-net的信号分割模型和GAP Net的信号分类模型在声层析信号测试集中预测准确率分别达到了87.65%和86.26%,满足了实地快速验证信号的需求。