针对细粒度鸟类检测的数据标注成本高,以及湿地地区鸟类种类繁多、现实场景复杂化等引起的湿地鸟类检测精度低的问题,该研究提出一种基于半监督CST的湿地场景下的细粒度鸟类检测算法(semi-supervised bird detection with CNN and swin ...
详细信息
针对细粒度鸟类检测的数据标注成本高,以及湿地地区鸟类种类繁多、现实场景复杂化等引起的湿地鸟类检测精度低的问题,该研究提出一种基于半监督CST的湿地场景下的细粒度鸟类检测算法(semi-supervised bird detection with CNN and swin transformer,SSBY-CST),首先基于北京14处监测站在不同湿地场景下采集到的图像,构建了涵盖17种鸟类图像数据集,为模型鲁棒性提供可靠数据支撑。其次提出基于伪标签学习法的单阶段半监督学习框架,基于Yolov5主干网络构建教师学生模型,高效利用无标签数据提升检测性能;训练阶段使用双阈值伪标签分配策略替代传统单一阈值伪标签分配,以优化无监督损失函数。然后设计了结合CNN和Swin Transformer的双通道卷积模块CST,以提高不同类别鸟类与湿地背景的区分能力。试验结果表明,仅在100张标注图像下,该文SSBY-CST算法对17种复杂环境下鸟类的检测精准率和mAP@0.5分别为77.5%和58.2%,相比同时期较先进的YOLO模型提升了17.4个百分点和15.5个百分点,在少量标注的前提下实现了较高的检测性能提升,其中黑鹳、西伯利亚银鸥的m AP@0.5分别达到了95.7%和94.5%,相比基线提升了24.9个百分点和14.3个百分点。此外,消融试验分析了双阈值伪标签分配的作用及CST模块的效果,验证了双阈值伪标签分配与CST模块设计的有效性。该框架利用无标注样本在极少量标注量下提升复杂环境下细粒度鸟类检测性能,以加强农林生态的智能数字化管理。该文将半监督扩展到细粒度鸟类检测,为处理农林生态环境下的鸟类检测提供了技术路径。
[目的]城市公园绿地为人类提供与健康福祉密切相关的多种生态系统服务,具备生态、社会、经济多重效益,其碳汇能力受多个影响因素控制。综合评估多个因素对城市公园绿地碳汇能力的影响,以此探讨低碳城市公园设计策略的最优解。[方法]以“碳汇”“公园”等为关键词进行文献检索,使用网状荟萃(Meta)分析对城市公园绿地碳汇能力的不同影响因素进行系统性定量评估,并根据其影响大小进行分类统计。通过基于网络证据图的影响因素重要性评估、基于联赛表的相对影响能力分析、基于累积排序概率曲线下面积(surface under the cumulative ranking curves,SUCRA)图的综合影响能力分析,综合评估不同影响因素对城市公园绿地碳汇能力的实际作用,并结合亚组分析和漏斗图评估研究样本的异质性、误差及偏倚。[结果]共检索952篇文献,纳入50篇有效文献,提取34个城市公园绿地碳汇能力的关键影响因素,划分为设计形态、生境组成、种植方式、管护形式、外部环境五大聚类。其中,设计形态和管护形式对于提升城市公园绿地碳汇能力效果稳定,适用性较强,是提升碳汇能力的基础因素;生境组成和种植方式在特定场景下提升碳汇能力效果显著,但受场地特征限制;外部环境对城市公园绿地碳汇能力的直接影响较弱。[结论]城市公园绿地碳汇能力受多种因素共同作用,在以碳汇为导向的设计方案中,应优先考虑优化设计形态和管护形式,根据场地实际条件灵活调配不同的生境组成和种植方式,并适当考虑外部环境的影响。
暂无评论