【无标题】

最新推荐文章于 2024-06-14 10:30:15 发布

cynara12

最新推荐文章于 2024-06-14 10:30:15 发布

阅读量241

点赞数

分类专栏： python 文章标签：深度学习机器学习人工智能

本文链接：https://blog.csdn.net/hic511/article/details/126859825

版权

python 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

基于CNN和MACHINE LEARNING的hornets 追踪

数据预处理与指标的选取

第一个板块主要包括对于文章的分析，主要是关于树的影响对于大黄蜂繁衍的影响，以及距离（distance）的影响，还有地形（elevation）的影响，先进行了初步的构建，然后利用了AHP模型对于三个指标的权重进行了分析。
首先，关于距离以及地形的部分：
在这里插入图片描述
通过距离与影响大小分析，判断距离是一个重要的因素
其次，关于tree的影响：
There are abundant trees in the mountainous areas: The queen Asian giant hornet
likes to build its nest under tree roots and in steep terrain. Taking both into consideration would severely complicate the model, and moreover information regarding the
location of trees is hard to find. However, we found by examining the satellite map
that these two factors largely coincide with each other, thus justifying the assumption.
最后，使用AHP（Analytic Hierarchy Processing ）进行三个指标的权重确定

根据确定的三个指标建立了模型，establish the Hornet Spread Model

在这里插入图片描述

对于 lab conments进行自然语言处理（Natural Language Processing）

提取了13种错误类别的名称，以及对应的图片。
Those 13 species are bee, beetle, bumblebee, cicada killer, cricket, dragonfly, fly, grasshopper, hornet, sawfly, Vespa mandarinia (known as the Asian giant hornet), wasp, and yellowjacket.

网络的训练

在这里插入图片描述
对于resnet分别按照使用网络的图片与给定的图片按照18–34—50分别进行了测试，对于准确度，网络图片的准确度最高的是78.26%。而给定图片的准确度很低，下一步探究原因并解决的方案：发现给定的图片集昆虫都不集中，使用 Image Cropping对于图片中的昆虫部分进行放大。便于识别
处理之后的准确度依然不高，故而采用进一步的办法：对于模型不再执着于判断是哪一种昆虫，而是判断yes or no asian giant hornet
针对asian giant hornet被误判为或者其他被误判为它的结论为：
we can figure out that the classification algorithm has some probability of mistaking the Asian giant hornet for a fly, a
normal hornet or a bee, while mistaking cicada killers for Asian giant hornets.

The Prioritizing Model，预测下一个报告的位置以及它的可能种类。基于机器学习的基础进行预测

模型的输入与输出
Input: Coordinates of the new sightings, their respective evidence photos
•Output: Credibility of the sightings
该模型还整合了前面问题的模型，对于结果的概率按照6:4进行了整合
下面是一个例子在这里插入图片描述