• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于多維神經(jīng)網(wǎng)絡(luò)深度特征融合的鳥鳴識(shí)別算法

    2022-05-13 03:01:42吉訓(xùn)生
    信號(hào)處理 2022年4期
    關(guān)鍵詞:鳥類準(zhǔn)確率分類

    吉訓(xùn)生 江 昆 謝 捷,2,3

    (1.江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院,江蘇無(wú)錫 214122;2.輕工業(yè)先進(jìn)過(guò)程控制重點(diǎn)實(shí)驗(yàn)室(教育部),江南大學(xué),江蘇無(wú)錫 214122;3.江蘇省先進(jìn)食品制造裝備與技術(shù)重點(diǎn)實(shí)驗(yàn)室,江南大學(xué),江蘇無(wú)錫 214122)

    1 引言

    近年來(lái),隨著生態(tài)環(huán)境的不斷惡化,全球鳥類數(shù)量正不斷減少,越來(lái)越多的學(xué)者開始關(guān)注鳥類生物多樣性的保護(hù)。然而,這項(xiàng)工作的首要任務(wù),就是對(duì)鳥類的活動(dòng)進(jìn)行監(jiān)測(cè)[1]。目前,鳥類活動(dòng)的監(jiān)測(cè)主要由專家進(jìn)行,他們一般通過(guò)聽覺(jué)來(lái)識(shí)別鳥的種類[2]。然而,這個(gè)過(guò)程是昂貴且耗時(shí)的。

    隨著無(wú)線聲傳感器網(wǎng)絡(luò)的發(fā)展,人們可以自主部署無(wú)線聲傳感器網(wǎng)絡(luò)進(jìn)行連續(xù)錄音[3-4],通過(guò)遠(yuǎn)程分析錄音數(shù)據(jù)來(lái)獲得物種的組成。然而,每一個(gè)聲傳感器每天會(huì)產(chǎn)生大量的聲學(xué)數(shù)據(jù)。因此,開發(fā)一個(gè)自動(dòng)化的鳥鳴識(shí)別系統(tǒng)變得非常重要[5]。目前,鳥類識(shí)別主要包括基于視覺(jué)的方法、基于聲音的方法以及二者混合的方法。其中,聲學(xué)傳感器可以幫助收集更大時(shí)空尺度的音頻數(shù)據(jù),無(wú)需考慮角度與遮擋問(wèn)題,成本低廉。

    現(xiàn)今,已有很多學(xué)者對(duì)鳥鳴識(shí)別開展了研究,LUCIO 等人[6]使用三種紋理特征算子:局部二值模式、局部相位量化與Gabor濾波器,聯(lián)合支持向量機(jī)在46 種鳥類中獲得了77.65% 的準(zhǔn)確率。FRITZLER 等人[7]以音頻信號(hào)的聲譜圖為特征,使用預(yù)先訓(xùn)練的Inception-v3 卷積神經(jīng)網(wǎng)絡(luò)在1500 種鳥類,36492 個(gè)樣本中獲得了0.567 的平均精度均值。XIE 等人[8]首先分別使用聲學(xué)特征、視覺(jué)特征與深度學(xué)習(xí)等三種方法對(duì)鳥鳴分類,其中,深度學(xué)習(xí)最高獲得了94.36%的F1 得分,優(yōu)于聲學(xué)特征(88.97%)與視覺(jué)特征(88.87%),最后,將三種方法融合在14種鳥類中獲得了95.95%的F1得分。

    飛行叫聲指的是鳥類在持續(xù)飛行中所發(fā)出的特有聲音,如候鳥遷徙,其研究如下:SCHRAMA 等人[9]提出使用持續(xù)時(shí)間、最高頻率、最低頻率、最大頻率幅值、平均帶寬、最大帶寬和平均頻率斜率作為特征集,使用歐氏距離算法匹配最優(yōu)類別。MARCARINI 等人[10]使用梅爾頻率倒譜系數(shù)聯(lián)合高斯混合模型用于鳥鳴分類。SALAMON 等人[2]提出使用球形k-means 無(wú)監(jiān)督學(xué)習(xí)算法,從對(duì)數(shù)尺度的梅爾譜圖中生成字典特征,使用支持向量機(jī)在含有43 種鳥類,5428 個(gè)樣本的CLO-43SD 數(shù)據(jù)集中獲得了93.96%的準(zhǔn)確率。之后,為了進(jìn)一步提高模型的表現(xiàn),SALAMON 等人[11]將球形k-means算法與卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行基于類的后期融合,獲得了96.00%的分類準(zhǔn)確率。然而,CLO-43SD 是一個(gè)不平衡的數(shù)據(jù)集,不同類別的樣本數(shù)量存在顯著差異。因此,通過(guò)準(zhǔn)確率難以衡量模型對(duì)每一種鳥類的分類性能。為了解決這一問(wèn)題,文獻(xiàn)[1]使用平衡準(zhǔn)確率作為衡量指標(biāo),將VGG Style 網(wǎng)絡(luò)與Sub-SpectralNet 進(jìn)行后期融合,獲得86.31%的平衡準(zhǔn)確率。

    為了進(jìn)一步優(yōu)化鳥鳴識(shí)別,本文以CLO-43SD數(shù)據(jù)集為研究對(duì)象,包含43種北美林鶯(鸚鵡科)的鳥鳴[2],提出一種基于多維神經(jīng)網(wǎng)絡(luò)的深度特征融合系統(tǒng)用于鳥鳴分類,包括1D CNN-LSTM、2D VGG Style 與3D DenseNet121,使用兩種淺層分類器:最近鄰與支持向量機(jī),在含有43 種鳥類的CLO-43SD數(shù)據(jù)集中最高獲得了93.89%的平衡準(zhǔn)確率,顯著優(yōu)于先前的工作。

    論文的主要貢獻(xiàn):(1)對(duì)已有的Mel-VGG模型進(jìn)行改進(jìn),提取鳥鳴對(duì)數(shù)尺度的梅爾譜圖作為時(shí)頻特征,增強(qiáng)時(shí)頻譜圖的能量分布,并使用Mix up數(shù)據(jù)混合以減少過(guò)擬合。(2)將CNN-LSTM 與DenseNet121的全連接層優(yōu)化,減少模型參數(shù),提高實(shí)時(shí)性。(3)提出一種基于多維神經(jīng)網(wǎng)絡(luò)深度特征融合的鳥鳴識(shí)別系統(tǒng),有效提高了鳥鳴識(shí)別準(zhǔn)確性,相對(duì)于最新的Mel-VGG 與Subnet-CNN 融合模型[1],平衡準(zhǔn)確率提高了7.58%。

    2 基于多維神經(jīng)網(wǎng)絡(luò)的深度特征融合過(guò)程

    本文以CLO-43SD 數(shù)據(jù)集為研究對(duì)象,包含43類北美林鶯的遷徙鳴聲,具有持續(xù)時(shí)間短、頻率高等特點(diǎn),一般不超過(guò)200 ms,不同北美林鶯鳴聲的發(fā)聲時(shí)長(zhǎng)與峰值頻率如圖1 與圖2 所示。可以看出,不同種類鳥鳴的持續(xù)時(shí)間與峰值頻率各不相同,對(duì)應(yīng)的時(shí)頻譜圖也存在差異,如BTYW 的峰值頻率為22 Hz,LOWA 的峰值頻率為7963 Hz,其對(duì)應(yīng)的梅爾譜圖如圖3 所示。BTYW 的能量主要集中在低頻,LOWA 的能量主要集中在高頻,二者的梅爾譜圖存在顯著差異。

    針對(duì)深度學(xué)習(xí)優(yōu)異的學(xué)習(xí)能力以及不同維度模型表現(xiàn)的互補(bǔ)性,本文提出一種基于多維神經(jīng)網(wǎng)絡(luò)的深度特征融合過(guò)程用于鳥鳴分類,包括1D CNN-LSTM、2D VGG Style 與3D DenseNet121,如圖4所示??梢钥闯?,該過(guò)程主要包括5個(gè)階段:預(yù)處理、特征提取、深度特征生成、最小最大歸一化與分類,詳細(xì)描述如下。

    2.1 預(yù)處理

    在CLO-43SD 數(shù)據(jù)集中,每一段鳥鳴的持續(xù)時(shí)間不同,其對(duì)應(yīng)的時(shí)頻譜圖大小不一致。本文將每一段鳥鳴多次復(fù)制連接,通過(guò)截取前2 s 使每個(gè)樣本持續(xù)時(shí)間相同[12]。由于錄音條件的不同,同一類鳥鳴樣本幅值差異較大,本文將每一段鳥鳴去均值歸一化,如式(1)所示:

    其中,s(n)為輸入信號(hào),mean(·)、max(·)與abs(·)分別為均值、最大值與絕對(duì)值。

    2.2 特征提取

    一般來(lái)說(shuō),鳥鳴具有頻率高,短促等特點(diǎn),使用紋理描述子可以將鳥聲劃分為長(zhǎng)度很小的時(shí)間片段,通過(guò)整合短時(shí)間內(nèi)的紋理特征來(lái)描述鳥鳴。為了提取鳥鳴的深層特征,本文使用多層局部二值模式[13](Multi-level local binary pattern,Multi-level LBP)作為紋理描述子,以一維二值模式[14-15](one dimensional binary pattern,1D BP)與一維三值模式[16-17](one dimensional ternary pattern,1D TP)為基礎(chǔ),以“sym4”為基小波對(duì)鳥鳴信號(hào)進(jìn)行9 層小波分解,最后,分別對(duì)9層低頻小波系數(shù)與輸入鳥鳴提取1D BP與1D TP并連接得到Multi-level LBP-T特征。

    為了描述鳥鳴的頻域信息,對(duì)預(yù)處理后的鳥聲進(jìn)行離散余弦變換[18](discrete cosine transform,DCT)和傅里葉變換(fast Fourier transform,F(xiàn)FT),并對(duì)FFT 結(jié)果的幅值提取多層LBP 特征,得到Multilevel LBP-F[19]。最后,將Multi-level LBP-T 與Multilevel LBP-F 特征連接,得到Multi-level LBP-T-F,作為1D CNN-LSTM的訓(xùn)練特征,如圖5所示。

    對(duì)于2D VGG Style,針對(duì)不同種類鳥鳴梅爾譜圖的差異性,如圖3 所示。本文選用預(yù)處理后鳥聲對(duì)數(shù)尺度的梅爾譜圖作為VGG Style 的訓(xùn)練特征。其中,梅爾譜圖的行數(shù)為40,幀移為1.45 ms。同時(shí),將對(duì)數(shù)尺度的梅爾譜圖復(fù)制三份形成三通道作為3D DenseNet121 的訓(xùn)練特征,與彩色圖像類似。

    2.3 深度特征生成

    2.3.1 VGG Style模型

    VGG 模型[20]是2014 年ILSVRC 競(jìng)賽的第二名,性能優(yōu)異,然而其參數(shù)量有140M 之多,需要更大的存儲(chǔ)空間。VGG Style 作為輕量級(jí)的VGG 模型在聲音識(shí)別中得到了廣泛應(yīng)用,如聲音場(chǎng)景分類[21]與鳥鳴識(shí)別[1]。本文使用VGG Style 作為鳥鳴時(shí)頻譜圖的特征提取器,如表1所示。

    表1 VGG Style的網(wǎng)絡(luò)結(jié)構(gòu)Tab.1 The Network Structure of VGG Style

    可以看出,VGG Style 主要有9 層,包含三個(gè)卷積塊、一個(gè)全局平均池化層與全連接層。其中,每個(gè)卷積塊包含兩次卷積和一次dropout。在CLO-43SD 數(shù)據(jù)集中,含有43 種鳥鳴,因此輸出層神經(jīng)元個(gè)數(shù)為43,通過(guò)Softmax函數(shù),輸出43種鳥鳴的預(yù)測(cè)概率,如式(2)所示:

    最后,使用argmax 函數(shù)將概率最大的鳥類作為最后的預(yù)測(cè)標(biāo)簽。其中,優(yōu)化器為Adam,學(xué)習(xí)率為10-4,損失函數(shù)為交叉熵,批大小為32,訓(xùn)練批次為200。同時(shí),使用Mix up數(shù)據(jù)增廣[22]以線性插值方式生成虛擬數(shù)據(jù)加入模型訓(xùn)練,如式(3)和(4)所示:

    其中,λ∈[0,1]。α∈(0,∞)時(shí),λ~Beta(α,α)。xi,yi為數(shù)據(jù)集中隨機(jī)抽取的原始的特征與標(biāo)簽,x′i,y′i為生成的特征與標(biāo)簽,yi,y′i為one-hot編碼形式。模型訓(xùn)練完成后,計(jì)算每一段鳥鳴Dense(512)層的輸出作為深度特征。

    2.3.2 CNN-LSTM 模型

    以往的研究表明,不同維度的模型可以分別學(xué)習(xí)信號(hào)中的時(shí)間與空間動(dòng)態(tài)信息,通過(guò)將不同維度的模型融合,往往可以有效提升性能[23]。據(jù)我們所知,這是第一次將多維度網(wǎng)絡(luò)融合應(yīng)用于持續(xù)飛行中的鳥鳴識(shí)別。對(duì)于1D CNN-LSTM[24],通過(guò)堆疊三個(gè)局部特征學(xué)習(xí)塊和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)以提取鳥鳴特征,其中,局部特征學(xué)習(xí)塊由一層卷積和一層最大池化組成。鳥鳴信號(hào)是時(shí)變信號(hào),需要特殊處理以反映時(shí)變特性,因此,引入LSTM 層來(lái)提取長(zhǎng)期的上下文依賴。這里,我們使用Multi-level LBP-T-F作為網(wǎng)絡(luò)的訓(xùn)練特征,然而過(guò)多的參數(shù)將影響模型的訓(xùn)練效率。通過(guò)VGG Style 的初步實(shí)驗(yàn)表明,512 個(gè)神經(jīng)元將足夠用于該鳥鳴分類任務(wù)。因此,本文將CNNLSTM的全連接層簡(jiǎn)化為512個(gè)神經(jīng)元,此時(shí),模型參數(shù)從30505019減少到15679579,如表2所示。

    表2 CNN-LSTM的網(wǎng)絡(luò)結(jié)構(gòu)Tab.2 The Network Structure of CNN-LSTM

    可以看出,CNN-LSTM 主要由三個(gè)卷積塊、一個(gè)LSTM 層與全連接層組成。其中,每個(gè)卷積塊包含一個(gè)卷積層和一個(gè)池化層。對(duì)于LSTM 層,將其輸出轉(zhuǎn)換為一維后使用全連接層分類。其中,優(yōu)化器為Adam,學(xué)習(xí)率為10-4,損失函數(shù)為交叉熵,批大小為32,訓(xùn)練批次為200。模型訓(xùn)練完成后,將每一段鳥鳴Dense(512)層的輸出作為深度特征。

    2.3.3 DenseNet121模型

    在三維模型中,我們選用DenseNet121[25]提取鳥鳴的空間動(dòng)態(tài)信息。在DenseNet121 模型中,對(duì)于每一層,前面所有層的特征圖都被用作輸入,每一層的特征圖都被用作后續(xù)層的輸入。它有效緩解了梯度消失問(wèn)題,加強(qiáng)了特征傳播,并大大減少了參數(shù)數(shù)量與訓(xùn)練模型所需的時(shí)間。同CNNLSTM,本文將CNN-LSTM 的全連接層簡(jiǎn)化為512 個(gè)神經(jīng)元,如表3 所示。此時(shí),模型參數(shù)從51113547減少到29604459。

    表3 DenseNet121的網(wǎng)絡(luò)結(jié)構(gòu)Tab.3 The Network Structure of DenseNet121

    其中,優(yōu)化器為Adam,學(xué)習(xí)率為10-4,損失函數(shù)為交叉熵,批大小為8,訓(xùn)練批次為200。同VGGStyle 相同,使用Mix up 生成虛擬數(shù)據(jù)加入模型訓(xùn)練以減少過(guò)擬合。訓(xùn)練完成后,計(jì)算每一段鳥鳴Dense(512)層的輸出作為深度特征。最后,將1D CNN-LSTM、2D VGG Style 與3D DenseNet121 生成的深度特征連接,得到了1536個(gè)特征。

    2.4 最小最大歸一化

    深度特征生成后,使用最小最大歸一化[26]將每個(gè)特征縮放到[0,1]區(qū)間,如式(5)所示。

    其中,feat 表示輸入特征,featmin表示特征的最小值,featmax表示特征的最大值,featN表示歸一化的特征。

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 數(shù)據(jù)集

    本文使用CLO-43SD[2]的數(shù)據(jù)集,包含43 種北美林鶯(鸚鵡科)的飛行叫聲,共5428 個(gè)音頻片段。這些音頻片段來(lái)自于不同的錄音條件,包括使用高定向獵槍麥克風(fēng)獲得的干凈錄音,使用全向麥克風(fēng)獲得的嘈雜現(xiàn)場(chǎng)錄音以及從圈養(yǎng)鳥類獲得的聲音。每一個(gè)音頻片段包含一種鳥類的一次發(fā)聲,采樣率為22.05 kHz,量化位數(shù)為8,通道數(shù)為1,以wav 格式保存。此外,CLO-43SD 數(shù)據(jù)集是不平衡的,不同鳥類的樣本數(shù)有顯著差異,其樣本分布如圖6 所示。其中,X軸為鳥類名稱的縮寫,Y軸為樣本的數(shù)量。

    3.2 實(shí)驗(yàn)設(shè)置

    首先將數(shù)據(jù)集隨機(jī)劃分出15%測(cè)試集,剩余85%的數(shù)據(jù)被隨機(jī)劃分為60%的訓(xùn)練集和40%的驗(yàn)證集。其中,劃分后的數(shù)據(jù)集中每種鳥類樣本所占比重與原數(shù)據(jù)集相同。這個(gè)過(guò)程被重復(fù)五次,并將實(shí)驗(yàn)結(jié)果的均值展示。由于CLO-43SD 數(shù)據(jù)集是不平衡的,為了評(píng)估模型對(duì)每種鳥類的分類性能,我們使用平衡準(zhǔn)確率作為性能指標(biāo),如式(6)所示:

    其中,n為類別數(shù),TP 為真正數(shù),Si為類別i的樣本數(shù)量。

    3.3 基線

    為了對(duì)本文方法進(jìn)行基準(zhǔn)測(cè)試,本文將每一段鳥鳴預(yù)處理,提取13 維梅爾倒譜系數(shù)及其一階、二階差分作為訓(xùn)練特征(39-MFCCs),使用KNN 與SVM作為分類器,如圖7所示。

    其中,濾波器的個(gè)數(shù)為40,幀長(zhǎng)為11.6 ms,幀移為1.45 ms,實(shí)驗(yàn)結(jié)果如表4所示。

    表4 基線的分類結(jié)果Tab.4 Classification results at baseline

    3.4 深度學(xué)習(xí)模型

    首先,針對(duì)已有的Mel-VGG 模型,本文替換其訓(xùn)練特征為對(duì)數(shù)尺度的梅爾譜圖,并去掉z-score 歸一化步驟,實(shí)驗(yàn)對(duì)比如圖8所示??梢钥闯?,改進(jìn)后的Mel-VGG 平衡準(zhǔn)確率提升了4.34%。之后,本文實(shí)驗(yàn)了Mix up 數(shù)據(jù)增強(qiáng)聯(lián)合改進(jìn)Mel-VGG 的分類性能,獲得了89.66%的準(zhǔn)確率,這表明了數(shù)據(jù)增強(qiáng)的有效性。因此,在后續(xù)的實(shí)驗(yàn)中,默認(rèn)對(duì)VGG Style 與DenseNet121 進(jìn)行數(shù)據(jù)增強(qiáng)。最后,本文分別測(cè)試了1D CNN-LSTM 與3D DenseNet121 的分類結(jié)果,可以看出,1D CNN-LSTM 表現(xiàn)最差,獲得了84.84%的平衡準(zhǔn)確率。

    3.5 基于深度特征的模型

    為了生成鳥鳴的高級(jí)特征,本文分別使用1D CNN-LSTM、2D VGG Style 與3D DenseNet121 提取深度特征,分別計(jì)算出全連接層512 個(gè)神經(jīng)元的輸出,將其最小最大歸一化后送入KNN 與SVM 分類,實(shí)驗(yàn)結(jié)果如圖9 所示。可以看出,KNN 分類器的表現(xiàn)要優(yōu)于SVM,其中,2D VGG Style 聯(lián)合KNN 表現(xiàn)最好,獲得了91.20%的分類準(zhǔn)確率。

    3.6 基于深度特征融合的模型

    針對(duì)不同維度模型可以分別提取信號(hào)時(shí)間與空間動(dòng)態(tài)信息的特性,本文將1D CNN-LSTM、2D VGG Style 與3D DenseNet121 生成的深度特征連接(深度特征-1-2-3),將其最小最大歸一化后送入KNN與SVM分類,實(shí)驗(yàn)結(jié)果如表5所示。

    表5 深度特征融合的平衡準(zhǔn)確率Tab.5 Balanced accuracy of deep feature fusion

    可以看出,深度特征-1-2-3 聯(lián)合KNN 最高獲得93.89%的平衡準(zhǔn)確率,這表明融合不同維度模型的深度特征對(duì)于鳥鳴識(shí)別的有效性。為了進(jìn)一步分析深度特征融合模型的分類結(jié)果,本文繪制出深度特征-1-2-3聯(lián)合KNN的混淆矩陣,如圖10所示。

    可以看出,該模型對(duì)13 種鳥類獲得了100%的分類準(zhǔn)確率。然而,13%的BLPW 與17%的BWWA被誤分為MAWA,其梅爾譜圖如圖11所示。

    可以看出,它們的譜圖結(jié)構(gòu)非常相似,這解釋了模型難以區(qū)分這些鳥類的原因。在先前的工作中,文 獻(xiàn)[1]將Mel-VGG 與Subnet-CNN 后期融合(Fusion1),獲得了86.31%的平衡準(zhǔn)確率。其中Mel-VGG 指的是梅爾譜圖+Z-SCORE 歸一化+VGG Style,Mel-Subnet 指的是梅爾譜圖+Z-SCORE 歸一化+SubSpectralNet[1]。整體實(shí)驗(yàn)結(jié)果如圖12所示。

    該項(xiàng)工作中,本文首先對(duì)Mel-VGG 的預(yù)處理進(jìn)行改進(jìn),使用對(duì)數(shù)尺度的梅爾譜圖作為訓(xùn)練特征,獲得了87.61%的平衡準(zhǔn)確率。之后,聯(lián)合Mix up數(shù)據(jù)混合生成虛擬數(shù)據(jù),減少過(guò)擬合,獲得了89.66%的平衡準(zhǔn)確率(Mixmel-VGG)。為了生成鳥鳴的高級(jí)特征,本文將Mixmel-VGG 作為特征提取器,計(jì)算每一段鳥鳴全連接層的輸出作為深度特征,初步實(shí)驗(yàn)表明,KNN最高獲得了91.20%的平衡準(zhǔn)確率(Deep 1)。最后,為了融合利用不同維度模型的學(xué)習(xí)特性,提高鳥鳴識(shí)別的準(zhǔn)確率,將1D CNNLSTM、2D VGG Style 與3D DenseNet121 提取的深度特征連接(深度特征-1-2-3),聯(lián)合KNN 最高獲得了93.89%的平衡準(zhǔn)確率(Fusion 2),相對(duì)于先前的工作,平衡準(zhǔn)確率提高了7.58%。

    4 結(jié)論

    本文提出一種基于多維神經(jīng)網(wǎng)絡(luò)的深度特征融合方法用于鳥鳴分類。針對(duì)不同維度模型描述鳥鳴的互補(bǔ)性,分別使用1D CNN-LSTM、2D VGG Style與3D DenseNet121作為特征提取器生成深度特征描述鳥鳴。對(duì)于CNN-LSTM,針對(duì)鳥鳴頻率高、短促等特點(diǎn),將鳥鳴劃分為長(zhǎng)度很小的時(shí)間片段,通過(guò)整合短時(shí)間片段內(nèi)的紋理特征來(lái)描述鳥鳴的快速變化。為了提取鳥鳴的深層特征,獲取更豐富的時(shí)頻信息,以小波分解為池化方法,分別對(duì)鳥鳴時(shí)、頻域提取多層LBP 特征作為網(wǎng)絡(luò)輸入。針對(duì)不同種類鳥鳴時(shí)頻譜圖的差異性(見圖3),提取鳥鳴對(duì)數(shù)尺度的梅爾譜圖作為VGG Style 的網(wǎng)絡(luò)輸入,并復(fù)制三份形成三通道作為3D DenseNet121 的訓(xùn)練特征。為了減少模型參數(shù),提高訓(xùn)練效率,分別將CNN-LSTM與DenseNet121 的全連接層簡(jiǎn)化為512 個(gè)神經(jīng)元。同時(shí)使用Mix up 數(shù)據(jù)增強(qiáng)減少過(guò)擬合。最后,為了融合不同維度模型的學(xué)習(xí)特性,將三個(gè)模型的深度特征連接,聯(lián)合淺層分類器:KNN與SVM,在含有43種鳥類,5428 個(gè)樣本的CLO-43SD 數(shù)據(jù)集中最高獲得了93.89%的平衡準(zhǔn)確率。然而,對(duì)于頻譜相似的鳥類,如BLPW、MAWA 與BWWA,模型難以進(jìn)行有效區(qū)分。同時(shí),較高的算法復(fù)雜度使得模型需要指定的設(shè)備方可運(yùn)行。在將來(lái)的工作中,我們將致力于解決頻譜相似鳥類的識(shí)別,以及模型的輕量化。

    猜你喜歡
    鳥類準(zhǔn)確率分類
    善于學(xué)習(xí)的鳥類
    學(xué)與玩(2022年9期)2022-10-31 02:54:08
    分類算一算
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    我的濕地鳥類朋友
    文苑(2020年12期)2020-04-13 00:54:14
    鳥類
    分類討論求坐標(biāo)
    高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    數(shù)據(jù)分析中的分類討論
    国产精华一区二区三区| 舔av片在线| 此物有八面人人有两片| 欧美最新免费一区二区三区| 亚洲在线自拍视频| 老司机午夜福利在线观看视频| 老司机福利观看| 日本欧美国产在线视频| 亚洲自偷自拍三级| 国产三级中文精品| 国产精品一区二区三区四区免费观看 | 午夜精品在线福利| 久久久精品欧美日韩精品| 国产伦精品一区二区三区视频9| 国产女主播在线喷水免费视频网站 | 深夜精品福利| 欧美日韩中文字幕国产精品一区二区三区| 亚洲av.av天堂| 丰满乱子伦码专区| 俄罗斯特黄特色一大片| 床上黄色一级片| 男女下面进入的视频免费午夜| 国产精品久久久久久亚洲av鲁大| 日日摸夜夜添夜夜添小说| 国产伦精品一区二区三区四那| 欧美国产日韩亚洲一区| 精品一区二区三区av网在线观看| 国产久久久一区二区三区| 国产高清三级在线| 中文字幕人妻熟人妻熟丝袜美| 国产v大片淫在线免费观看| 国产69精品久久久久777片| 日韩 亚洲 欧美在线| 亚洲最大成人手机在线| 精品久久久久久久末码| 国产精品美女特级片免费视频播放器| 少妇人妻精品综合一区二区 | 国产伦在线观看视频一区| 国内精品一区二区在线观看| 免费看光身美女| 在线观看66精品国产| 国产黄片美女视频| 中文字幕高清在线视频| 国产精品永久免费网站| 成年女人毛片免费观看观看9| 精品一区二区三区视频在线| 欧美成人a在线观看| 国产精品爽爽va在线观看网站| 国产精品免费一区二区三区在线| 日日啪夜夜撸| 亚洲专区中文字幕在线| 伦理电影大哥的女人| 真人做人爱边吃奶动态| 十八禁国产超污无遮挡网站| 亚洲一区高清亚洲精品| 男插女下体视频免费在线播放| 91久久精品国产一区二区三区| 欧美bdsm另类| 大型黄色视频在线免费观看| 黄色配什么色好看| 国产激情偷乱视频一区二区| 午夜福利成人在线免费观看| 99精品久久久久人妻精品| 99久久无色码亚洲精品果冻| a级毛片a级免费在线| 色综合亚洲欧美另类图片| 日韩一本色道免费dvd| 在线a可以看的网站| 成人精品一区二区免费| 色av中文字幕| 国产成人aa在线观看| 国产成人影院久久av| 我要搜黄色片| 久久精品影院6| 香蕉av资源在线| 91av网一区二区| 亚洲精品亚洲一区二区| 中文亚洲av片在线观看爽| 免费看光身美女| 少妇的逼水好多| 乱码一卡2卡4卡精品| 夜夜夜夜夜久久久久| 国产成人影院久久av| 18禁在线播放成人免费| 天堂√8在线中文| 草草在线视频免费看| 国产精品无大码| 男人舔奶头视频| 身体一侧抽搐| 成人国产综合亚洲| 少妇熟女aⅴ在线视频| 日韩精品中文字幕看吧| 欧美日韩综合久久久久久 | 欧美日本视频| 成人欧美大片| 最近最新中文字幕大全电影3| 日韩欧美在线二视频| 99久国产av精品| 九九热线精品视视频播放| 欧美又色又爽又黄视频| 成人av一区二区三区在线看| 婷婷精品国产亚洲av| 亚洲,欧美,日韩| 国产精品不卡视频一区二区| 国产精品野战在线观看| 国产又黄又爽又无遮挡在线| 特大巨黑吊av在线直播| 日本撒尿小便嘘嘘汇集6| 能在线免费观看的黄片| 桃红色精品国产亚洲av| 免费搜索国产男女视频| 超碰av人人做人人爽久久| 亚洲熟妇中文字幕五十中出| 国产一区二区三区av在线 | 日韩人妻高清精品专区| 国产高清不卡午夜福利| 亚洲av二区三区四区| 国产精品一区二区三区四区免费观看 | 搡老妇女老女人老熟妇| 亚洲性夜色夜夜综合| 国产一区二区激情短视频| 哪里可以看免费的av片| 欧美黑人欧美精品刺激| 亚洲18禁久久av| 波多野结衣高清作品| 久久久久久久久大av| 国产不卡一卡二| 久久久成人免费电影| 色综合亚洲欧美另类图片| 一区福利在线观看| 亚洲精品日韩av片在线观看| 亚洲精品一区av在线观看| 午夜福利在线在线| 嫩草影视91久久| 国内少妇人妻偷人精品xxx网站| 国产免费一级a男人的天堂| 亚洲一区二区三区色噜噜| 网址你懂的国产日韩在线| 精品福利观看| 国产高清不卡午夜福利| 亚洲第一区二区三区不卡| 亚洲成人免费电影在线观看| 国产熟女欧美一区二区| av天堂中文字幕网| 网址你懂的国产日韩在线| 婷婷亚洲欧美| 亚洲国产精品合色在线| 久久热精品热| 国产91精品成人一区二区三区| 久久精品国产自在天天线| 美女免费视频网站| www日本黄色视频网| 男女下面进入的视频免费午夜| 一区福利在线观看| 国产精品国产三级国产av玫瑰| 国产91精品成人一区二区三区| www.色视频.com| 免费av毛片视频| 丰满的人妻完整版| 久久久久久伊人网av| 天堂动漫精品| 久久久久久国产a免费观看| 国产黄a三级三级三级人| 精品午夜福利在线看| 国产精品,欧美在线| 国产精品一区二区三区四区久久| 国产欧美日韩精品亚洲av| 亚洲内射少妇av| 亚洲精品国产成人久久av| 乱人视频在线观看| 啪啪无遮挡十八禁网站| 一边摸一边抽搐一进一小说| 男插女下体视频免费在线播放| 简卡轻食公司| 啦啦啦啦在线视频资源| 性欧美人与动物交配| 一级av片app| 黄色丝袜av网址大全| 又爽又黄a免费视频| 久久国产精品人妻蜜桃| 十八禁国产超污无遮挡网站| 99热这里只有是精品50| av在线亚洲专区| 日韩国内少妇激情av| av.在线天堂| 99热网站在线观看| 我要搜黄色片| 中文字幕精品亚洲无线码一区| 亚洲人成网站高清观看| 国产精品一区二区三区四区免费观看 | 亚洲aⅴ乱码一区二区在线播放| 在现免费观看毛片| 观看免费一级毛片| 久久精品国产亚洲av涩爱 | 午夜精品一区二区三区免费看| 天堂网av新在线| 国产精品99久久久久久久久| 久久精品91蜜桃| 99视频精品全部免费 在线| 日本与韩国留学比较| 丰满人妻一区二区三区视频av| 亚洲av免费在线观看| 搡老妇女老女人老熟妇| 午夜老司机福利剧场| 99热这里只有是精品在线观看| 久久久久久久久久久丰满 | 国产毛片a区久久久久| 两个人的视频大全免费| 国产 一区精品| 国产精品一及| 我要看日韩黄色一级片| 在现免费观看毛片| 亚洲av电影不卡..在线观看| 亚洲图色成人| 尤物成人国产欧美一区二区三区| 国产伦精品一区二区三区四那| 欧美+日韩+精品| 国产亚洲精品久久久久久毛片| 国产熟女欧美一区二区| 黄片wwwwww| av在线天堂中文字幕| 国模一区二区三区四区视频| 久久久久性生活片| 国产 一区 欧美 日韩| 国产精品99久久久久久久久| av在线蜜桃| 美女大奶头视频| 国产精品一区二区三区四区久久| 亚洲av日韩精品久久久久久密| 色播亚洲综合网| 最近在线观看免费完整版| 免费看av在线观看网站| 亚洲美女搞黄在线观看 | 成人二区视频| 亚洲欧美日韩高清在线视频| 在线播放无遮挡| 亚洲经典国产精华液单| 麻豆久久精品国产亚洲av| 亚洲成人中文字幕在线播放| 国产精品三级大全| 春色校园在线视频观看| 99久国产av精品| 午夜日韩欧美国产| 国产精品一区二区性色av| 欧美+亚洲+日韩+国产| 草草在线视频免费看| 亚洲国产欧美人成| 国内精品宾馆在线| 成人二区视频| 小蜜桃在线观看免费完整版高清| 成人永久免费在线观看视频| 国产午夜精品论理片| 亚洲国产高清在线一区二区三| 最好的美女福利视频网| 婷婷六月久久综合丁香| 亚洲国产欧美人成| 国产精品久久视频播放| 亚洲欧美激情综合另类| 天堂影院成人在线观看| 国产精品野战在线观看| 国产精品久久久久久久电影| 欧美日本亚洲视频在线播放| 国产黄a三级三级三级人| 亚洲精华国产精华精| 性欧美人与动物交配| 可以在线观看毛片的网站| 国产精品一区二区三区四区免费观看 | 亚洲欧美日韩高清专用| 亚洲欧美激情综合另类| 久久久精品大字幕| 在线a可以看的网站| 婷婷六月久久综合丁香| 观看美女的网站| 成人av在线播放网站| 啦啦啦啦在线视频资源| 亚洲成av人片在线播放无| 亚洲一区二区三区色噜噜| 国内揄拍国产精品人妻在线| 听说在线观看完整版免费高清| 久久九九热精品免费| 欧美国产日韩亚洲一区| 日日摸夜夜添夜夜添av毛片 | 性色avwww在线观看| 99精品久久久久人妻精品| 老女人水多毛片| 国产伦在线观看视频一区| 国产极品精品免费视频能看的| 日韩欧美国产一区二区入口| АⅤ资源中文在线天堂| 日韩欧美精品免费久久| 精品99又大又爽又粗少妇毛片 | 国产一区二区在线av高清观看| 最近最新免费中文字幕在线| 国产av一区在线观看免费| 日韩中文字幕欧美一区二区| 久久这里只有精品中国| 狂野欧美激情性xxxx在线观看| 欧美成人一区二区免费高清观看| 免费在线观看成人毛片| 国产在视频线在精品| 亚洲国产精品合色在线| av天堂在线播放| 欧美在线一区亚洲| 亚洲18禁久久av| 欧美成人一区二区免费高清观看| 热99re8久久精品国产| 久久久久久久亚洲中文字幕| 在线国产一区二区在线| 亚洲av二区三区四区| 村上凉子中文字幕在线| 99久久中文字幕三级久久日本| 欧美黑人巨大hd| 欧美色欧美亚洲另类二区| 国产又黄又爽又无遮挡在线| 国产精品1区2区在线观看.| 村上凉子中文字幕在线| 听说在线观看完整版免费高清| 久久精品国产亚洲网站| 午夜免费男女啪啪视频观看 | 国产精品1区2区在线观看.| 一级a爱片免费观看的视频| 露出奶头的视频| 国产人妻一区二区三区在| 国产色婷婷99| 亚洲最大成人中文| 人人妻人人澡欧美一区二区| 国产精品人妻久久久影院| 国产成人影院久久av| 亚洲精品456在线播放app | 国产精品,欧美在线| 欧美zozozo另类| 国产精品一区www在线观看 | 精品久久久久久久久亚洲 | 国产精品野战在线观看| .国产精品久久| 精品乱码久久久久久99久播| 美女cb高潮喷水在线观看| 亚洲精品456在线播放app | 日本精品一区二区三区蜜桃| 最近中文字幕高清免费大全6 | 18+在线观看网站| 国产免费一级a男人的天堂| 麻豆国产97在线/欧美| 老司机午夜福利在线观看视频| 亚洲国产高清在线一区二区三| 久久精品国产亚洲av香蕉五月| 男女之事视频高清在线观看| 成人亚洲精品av一区二区| 日韩精品中文字幕看吧| 午夜a级毛片| 天天躁日日操中文字幕| 内地一区二区视频在线| 99久久九九国产精品国产免费| 最新中文字幕久久久久| 亚洲黑人精品在线| 国产精品永久免费网站| 免费无遮挡裸体视频| 久久人人精品亚洲av| 国产精品爽爽va在线观看网站| 又爽又黄无遮挡网站| av.在线天堂| 精品免费久久久久久久清纯| 国产激情偷乱视频一区二区| 99久久中文字幕三级久久日本| 在线看三级毛片| 在线天堂最新版资源| 欧美精品国产亚洲| 国产日本99.免费观看| 小说图片视频综合网站| 成年女人永久免费观看视频| 亚洲久久久久久中文字幕| 免费看a级黄色片| 男人的好看免费观看在线视频| 不卡视频在线观看欧美| 亚洲熟妇熟女久久| 日韩欧美在线二视频| 国产精品福利在线免费观看| 一级毛片久久久久久久久女| 亚洲美女搞黄在线观看 | av在线蜜桃| 日韩欧美免费精品| 国产av麻豆久久久久久久| 国产蜜桃级精品一区二区三区| 久久久色成人| 成人高潮视频无遮挡免费网站| 欧美日韩中文字幕国产精品一区二区三区| 亚洲av不卡在线观看| 欧美高清成人免费视频www| 美女黄网站色视频| 欧美xxxx性猛交bbbb| 搞女人的毛片| 97超视频在线观看视频| 午夜福利成人在线免费观看| 变态另类成人亚洲欧美熟女| 麻豆国产97在线/欧美| 特大巨黑吊av在线直播| 欧美日韩综合久久久久久 | 99在线视频只有这里精品首页| 亚洲va日本ⅴa欧美va伊人久久| 亚州av有码| 国产69精品久久久久777片| 夜夜看夜夜爽夜夜摸| 中文字幕熟女人妻在线| 干丝袜人妻中文字幕| 一个人看视频在线观看www免费| 久久这里只有精品中国| 在线观看午夜福利视频| 黄色欧美视频在线观看| 97碰自拍视频| 午夜亚洲福利在线播放| 亚洲欧美精品综合久久99| 网址你懂的国产日韩在线| 99热只有精品国产| 久久久国产成人免费| 人人妻人人看人人澡| 国产真实伦视频高清在线观看 | 精品久久久久久久人妻蜜臀av| 午夜福利高清视频| 一夜夜www| 级片在线观看| 久久精品人妻少妇| 久久久久九九精品影院| 成人欧美大片| 国产真实伦视频高清在线观看 | 亚洲成av人片在线播放无| 日本色播在线视频| 一本久久中文字幕| 精品久久久久久久人妻蜜臀av| 人人妻人人澡欧美一区二区| 超碰av人人做人人爽久久| 直男gayav资源| 国产黄片美女视频| 久久人人爽人人爽人人片va| 日韩 亚洲 欧美在线| 中文资源天堂在线| 色综合亚洲欧美另类图片| 禁无遮挡网站| 亚洲成av人片在线播放无| 热99在线观看视频| 狂野欧美白嫩少妇大欣赏| av.在线天堂| 在线免费观看的www视频| 午夜爱爱视频在线播放| 特级一级黄色大片| 男女做爰动态图高潮gif福利片| 给我免费播放毛片高清在线观看| 亚洲精华国产精华液的使用体验 | 99热6这里只有精品| 91狼人影院| 88av欧美| 国产v大片淫在线免费观看| 在线观看av片永久免费下载| 少妇猛男粗大的猛烈进出视频 | 国产熟女欧美一区二区| 国产精品爽爽va在线观看网站| 精品久久久久久久久久久久久| 日韩人妻高清精品专区| 中亚洲国语对白在线视频| 日日摸夜夜添夜夜添av毛片 | 精品久久久久久成人av| 国产爱豆传媒在线观看| 欧美一区二区亚洲| 窝窝影院91人妻| 黄色女人牲交| 亚洲欧美激情综合另类| 亚洲人成网站在线播放欧美日韩| 九九热线精品视视频播放| 在线播放国产精品三级| 国产午夜精品久久久久久一区二区三区 | 亚洲美女搞黄在线观看 | 亚洲av中文av极速乱 | 搡老熟女国产l中国老女人| 国产精品一区二区三区四区久久| 亚洲人成网站在线播| 亚洲国产高清在线一区二区三| 18禁在线播放成人免费| 成人一区二区视频在线观看| 他把我摸到了高潮在线观看| 久久久国产成人精品二区| 色哟哟哟哟哟哟| 岛国在线免费视频观看| 午夜日韩欧美国产| 色噜噜av男人的天堂激情| 国产精品一区www在线观看 | 琪琪午夜伦伦电影理论片6080| 老司机午夜福利在线观看视频| 国产精品久久久久久久电影| 91在线精品国自产拍蜜月| 色综合婷婷激情| 久久精品影院6| 中文字幕人妻熟人妻熟丝袜美| 精品人妻视频免费看| 久9热在线精品视频| 亚洲av五月六月丁香网| 狂野欧美激情性xxxx在线观看| 国产色爽女视频免费观看| 一级a爱片免费观看的视频| 人妻少妇偷人精品九色| 小说图片视频综合网站| 国产黄色小视频在线观看| 小蜜桃在线观看免费完整版高清| 久久人人爽人人爽人人片va| 内地一区二区视频在线| 日日啪夜夜撸| 国产真实乱freesex| 午夜福利在线观看免费完整高清在 | 乱系列少妇在线播放| 老熟妇乱子伦视频在线观看| 久久久精品欧美日韩精品| 国产色爽女视频免费观看| 少妇被粗大猛烈的视频| 久久久久性生活片| 22中文网久久字幕| 国产亚洲av嫩草精品影院| 免费av不卡在线播放| 18禁在线播放成人免费| 少妇的逼水好多| 88av欧美| 免费黄网站久久成人精品| 婷婷色综合大香蕉| 蜜桃亚洲精品一区二区三区| 最好的美女福利视频网| 国产中年淑女户外野战色| 99久久久亚洲精品蜜臀av| 日本欧美国产在线视频| 亚洲专区国产一区二区| 国产黄色小视频在线观看| 国产精品乱码一区二三区的特点| 九九热线精品视视频播放| 国产精品一区二区免费欧美| 国产蜜桃级精品一区二区三区| 婷婷丁香在线五月| 国产av在哪里看| 51国产日韩欧美| 国产精品福利在线免费观看| 日本撒尿小便嘘嘘汇集6| 亚洲自拍偷在线| 久久精品国产亚洲网站| 人人妻人人澡欧美一区二区| 两人在一起打扑克的视频| 日本五十路高清| 中出人妻视频一区二区| 日韩欧美一区二区三区在线观看| 一本精品99久久精品77| 国产一区二区激情短视频| 久久久久久久久中文| 最近中文字幕高清免费大全6 | 国产一区二区三区av在线 | 99热只有精品国产| 啦啦啦观看免费观看视频高清| 国产高清视频在线观看网站| 国产高清三级在线| 香蕉av资源在线| 亚洲三级黄色毛片| 欧美精品国产亚洲| 成人美女网站在线观看视频| 国产亚洲91精品色在线| av在线老鸭窝| 精品午夜福利在线看| 午夜精品一区二区三区免费看| 日本精品一区二区三区蜜桃| 国产大屁股一区二区在线视频| 亚洲美女视频黄频| 成人国产一区最新在线观看| 久久九九热精品免费| 日本黄色视频三级网站网址| 别揉我奶头~嗯~啊~动态视频| 国产乱人视频| 精品无人区乱码1区二区| av中文乱码字幕在线| 精品午夜福利视频在线观看一区| 一区福利在线观看| 亚洲天堂国产精品一区在线| 97超视频在线观看视频| 亚洲av成人精品一区久久| 国产成年人精品一区二区| 中文在线观看免费www的网站| 亚洲综合色惰| 国产高清三级在线| 长腿黑丝高跟| 一本精品99久久精品77| 色吧在线观看| 国产av一区在线观看免费| 亚洲av.av天堂| 久久国产精品人妻蜜桃| 波多野结衣高清作品| 在线国产一区二区在线| 最近视频中文字幕2019在线8| 成人永久免费在线观看视频| 天美传媒精品一区二区| 国产探花在线观看一区二区| 亚洲国产欧洲综合997久久,| 国产成人a区在线观看| 国产精品人妻久久久影院| 99久久成人亚洲精品观看| 国内揄拍国产精品人妻在线| 亚洲av不卡在线观看| 一a级毛片在线观看| 欧美成人免费av一区二区三区| 一a级毛片在线观看| 高清在线国产一区| 国产精品,欧美在线| 国产精品一区二区免费欧美| 免费高清视频大片| 看片在线看免费视频| 91久久精品国产一区二区三区| 国产亚洲精品综合一区在线观看| a级毛片a级免费在线| 中文字幕av在线有码专区| 亚洲av日韩精品久久久久久密| 免费在线观看日本一区| 国产精品人妻久久久影院| 国产久久久一区二区三区| 日韩欧美一区二区三区在线观看| 最近最新中文字幕大全电影3|