毕设文献10（对鸟图不是鸟鸣）-使用CNN的自动鸟类识别系统

Automated System for Bird Species Identification Using CNN (使用CNN的自动鸟类识别系统)

[1] D. Siri, S. Desu, K. Alladi, D. Swathi, S. Singh, and V. Srilakshmi, ‘Automated System for Bird Species Identification Using CNN’, E3S web of conferences, vol. 430, no. Journal Article, p. 1057, 2023, doi: 10.1051/e3sconf/202343001057.

本研究利用卷积神经网络(CNN)开发了一种自动鸟类识别系统，解决了鸟类识别的挑战，实现了快速的鸟类物种识别。

• 论文背景: 本研究背景是鸟类识别是一项具有挑战性的任务，即使是专业的鸟类观察者在给定鸟类图片时也可能存在分歧，因此需要一种自动化系统来帮助快速准确地识别鸟类物种。
• 过去方案: 以往的方法中，由于鸟类的形态和外观变化很大，人类视觉识别鸟类要比听觉识别更容易，因此本研究利用卷积神经网络(CNN)作为一种有效的深度学习方法来处理鸟类识别问题。
• 论文的Motivation: 通过对鸟类识别的困难性和现有方法的局限性进行分析，研究人员提出了利用CNN进行自动鸟类识别的方法，旨在提高鸟类识别的准确性和效率。

理论背景：

• 本研究使用卷积神经网络（CNN）和无监督深度学习技术来对鸟类图像进行分类和特征提取。
• CNN由卷积层、池化层和全连接层组成，用于从图像中提取特征并进行分类。
• 卷积层在将输入传递给下一层之前对其进行操作，从不同位置提取独特的特征。
• 池化层将一层中的神经元输出整合到下一层的个别神经元中，使用最大池化或整合等方法。

• 全连接层允许不同层之间的神经元进行通信，类似于多层感知器神经网络。

技术路线：

• 用户上传的图像存储在临时数据库中。
• 图像与训练数据一起输入到CNN中，考虑到鸟类的各种特征，如头部、身体、颜色、喙、形状等。
• 使用深度卷积网络从多个层中提取特征，并使用CNN和无监督深度学习技术对图像进行分类。
• 预处理将图像转换为灰度图像以表示光强度，然后进行逐像素分类和特征聚合以供分类器使用。
• 使用TensorFlow进行数据流编程和重新训练数据集以提高准确性。

文本中未提供具体的实验设置。

文本中未提供具体的实验结果。