基于遷移學(xué)習(xí)的中國(guó)蛇類識(shí)別研究

周志斌 羅志聰，2* 張展榜 孫奇燕

(1.福建農(nóng)林大學(xué)機(jī)電工程學(xué)院，福州，350002；2.福建省農(nóng)業(yè)信息感知技術(shù)重點(diǎn)實(shí)驗(yàn)室，福建農(nóng)林大學(xué)機(jī)電工程學(xué)院，福州，350002；3.福建農(nóng)林大學(xué)計(jì)算機(jī)與信息學(xué)院，福州，350002)

建立一個(gè)能自動(dòng)識(shí)別圖像中蛇種類的強(qiáng)大系統(tǒng)是保護(hù)生物多樣性和全球健康的重要目標(biāo)[1]。根據(jù)世界健康組織(World Health Organization)調(diào)查結(jié)果顯示，全球每年450萬(wàn)～540萬(wàn)人被蛇咬(https：//www. who.int/health-topics/snakebite#tab=tab_1)。被蛇咬傷后，快速辨別蛇的種類，根據(jù)不同蛇毒進(jìn)行特異性的抗體治療是改善蛇咬傷健康數(shù)據(jù)的重要環(huán)節(jié)[2-3]。

蛇類圖像分類問(wèn)題的研究由于傳統(tǒng)生物圖像識(shí)別方法的特征工程復(fù)雜、計(jì)算機(jī)算力資源匱乏等局限，過(guò)去一直得不到發(fā)展[4-6]。隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域取得突破性進(jìn)展，基于深度學(xué)習(xí)的圖像分類技術(shù)被應(yīng)用于各種分類研究[7-9]，近兩年來(lái)，國(guó)內(nèi)外也開始將深度學(xué)習(xí)技術(shù)應(yīng)用于蛇類圖像的分類研究[10-17]，利用卷積神經(jīng)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)圖像識(shí)別的特征工程，完成特征的提取和匹配，將蛇類圖像輸入網(wǎng)絡(luò)中便能自動(dòng)識(shí)別蛇的種類。

圖像分類最主要的問(wèn)題是提升分類的準(zhǔn)確度，提升分類精度的一個(gè)最直接方法是增加數(shù)據(jù)集，通過(guò)在大量數(shù)據(jù)集上訓(xùn)練，提升神經(jīng)網(wǎng)絡(luò)模型的泛化能力，但是蛇的行蹤隱蔽和危險(xiǎn)性，導(dǎo)致蛇類照片不容易采集，且國(guó)內(nèi)缺乏公開可用的大型蛇圖像數(shù)據(jù)集。遷移學(xué)習(xí)的方法是解決小樣本學(xué)習(xí)的有效辦法[18]，張皓洋[19]采用遷移學(xué)習(xí)的方法使用在ImageNet上預(yù)訓(xùn)練過(guò)的Inception-v3模型遷移到自己建立的數(shù)據(jù)集上，達(dá)到88%以上的分類精度。設(shè)計(jì)更加優(yōu)秀的網(wǎng)絡(luò)結(jié)構(gòu)、改進(jìn)網(wǎng)絡(luò)模型也可以提升模型的分類精度，付永欽[20]受ResNet V2殘差網(wǎng)絡(luò)結(jié)構(gòu)啟發(fā)，以殘差網(wǎng)絡(luò)為基礎(chǔ)提出BRC卷積神經(jīng)網(wǎng)絡(luò)。這種新型網(wǎng)絡(luò)結(jié)構(gòu)的重要組成部分為BRC塊，由批標(biāo)準(zhǔn)化層、ReLU激活函數(shù)層和卷積層組成。

針對(duì)蛇類圖像分類問(wèn)題，搜集國(guó)內(nèi)常見(jiàn)蛇種建立圖像數(shù)據(jù)集，以常見(jiàn)的卷積神經(jīng)網(wǎng)絡(luò)分類模型進(jìn)行圖像識(shí)別試驗(yàn)，包括模型的設(shè)計(jì)和優(yōu)化、遷移學(xué)習(xí)與微調(diào)，探索適用于國(guó)內(nèi)蛇類圖像識(shí)別的改進(jìn)方案。

1 試驗(yàn)數(shù)據(jù)集

國(guó)內(nèi)缺乏公開豐富的中國(guó)蛇類圖像數(shù)據(jù)集[20]，依靠個(gè)人采集建立數(shù)據(jù)集存在較大困難，因此通過(guò)網(wǎng)絡(luò)收集蛇類圖片的方式建立數(shù)據(jù)集。在不同搜索引擎和網(wǎng)絡(luò)平臺(tái)上下載目標(biāo)蛇類的照片，根據(jù)每種蛇類的外形、斑紋和顏色等特征，剔除不符合要求的照片，建立包含6種國(guó)內(nèi)常見(jiàn)蛇類的ChineseSnakes數(shù)據(jù)集，共1 427張圖片，其中金環(huán)蛇(Bungarusfasciatus)153張、銀環(huán)蛇(B.mult-icinctus)233張、竹葉青(Trimeresurusstejnegeri)284張、王錦蛇(Elaphecarinata)425張、圓斑蝰(Daboiarussellisiamensis)85張和尖吻蝮(Deinagkistrodonacutus)247張，6個(gè)類別分別放在6個(gè)文件夾中，以蛇的名稱命名，以1∶9的比例分為測(cè)試集和試驗(yàn)集，再將其中試驗(yàn)集以8∶2的比例分為訓(xùn)練集和驗(yàn)證集。

2 蛇類圖像分類模型

2.1 改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型

選擇中大型網(wǎng)絡(luò)模型VGG19[21]、ResNet50、ResNet101[22]以及輕量化模型MobileNetV2和Xception作為特征提取網(wǎng)絡(luò)，對(duì)這5種典型神經(jīng)網(wǎng)絡(luò)模型采用相同分類網(wǎng)絡(luò)設(shè)計(jì)，分類網(wǎng)絡(luò)由平均池化層(global average pooling)、Dropout層和全連接層組成。具體步驟為：(1)全局平均池化操作以特征圖(feature map)為單位均值化，將每層特征值合為一個(gè)值，代替卷積神經(jīng)網(wǎng)絡(luò)中傳統(tǒng)的多層全連接層分類網(wǎng)絡(luò)，可以有效降低參數(shù)數(shù)量。(2)由于數(shù)據(jù)集的樣本量較少，為減少過(guò)擬合，在全局平均池化層后緊接著Dropout層，在訓(xùn)練過(guò)程中按照一定的概率將部分神經(jīng)元暫時(shí)無(wú)效，減少中間特征的數(shù)量[9]。(3)最后設(shè)計(jì)匹配分類任務(wù)的全連接層，由于數(shù)據(jù)集中包含6種不同的蛇，故全連接層的輸出通道設(shè)計(jì)為6個(gè)。

2.2 Adam優(yōu)化算法

綜合考慮學(xué)習(xí)速度和學(xué)習(xí)效果，訓(xùn)練時(shí)采用Adam優(yōu)化算法[23]對(duì)參數(shù)的學(xué)習(xí)率動(dòng)態(tài)調(diào)整。利用Adam優(yōu)化算法計(jì)算更新的步長(zhǎng)，在t時(shí)刻參數(shù)更新的計(jì)算公式為：

(1)

(2)

mt=β1mt-1+(1-β1)gt

(3)

(4)

(5)

式中：gt是t時(shí)刻的梯度，其計(jì)算如式(6)所示。

(6)

Adam優(yōu)化算法的參數(shù)學(xué)習(xí)率設(shè)置為0.000 1，一階矩和二階矩估計(jì)的指數(shù)衰減因子beta1和beta2采用框架默認(rèn)值0.9和0.999。通過(guò)試驗(yàn)，每個(gè)神經(jīng)網(wǎng)絡(luò)設(shè)置運(yùn)行足夠多的輪次(epoch)，其訓(xùn)練精度曲線即可達(dá)到收斂。相較于圖像數(shù)據(jù)集的數(shù)量，試驗(yàn)的神經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò)復(fù)雜，表達(dá)能力過(guò)強(qiáng)，容易過(guò)擬合，分類網(wǎng)絡(luò)的丟棄率dropout設(shè)置為0.5，可達(dá)到較好效果。

3 模型的訓(xùn)練

3.1 試驗(yàn)環(huán)境

試驗(yàn)基于Google Colab平臺(tái)，它是一個(gè)Python開發(fā)環(huán)境，使用谷歌云在瀏覽器中運(yùn)行。平臺(tái)搭載的硬件環(huán)境為：12 GB RAM內(nèi)存，Tesla V100 GPU和16 GB顯存；平臺(tái)使用Ubuntu 18.04.5 LTS操作系統(tǒng)，加載軟件環(huán)境有CUDA 11.0.228、TensorFlow 2.4.1和Python 3.7.10。深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型以TensorFlow作為框架，調(diào)用keras的功能接口進(jìn)行搭建。試驗(yàn)結(jié)果中的準(zhǔn)確率曲線和損失曲線采用Python中的matplotlib可視化得到。

3.2 數(shù)據(jù)的預(yù)處理

3.2.1 在線數(shù)據(jù)增強(qiáng)擴(kuò)充數(shù)據(jù)集

現(xiàn)實(shí)中蛇類的形態(tài)變化多樣，拍攝時(shí)蛇的位置隨機(jī)性大，根據(jù)這一特點(diǎn)，選擇旋轉(zhuǎn)、鏡像和平移3種方式對(duì)圖像進(jìn)行數(shù)據(jù)增強(qiáng)，將這些操作重復(fù)應(yīng)用于同一幅圖像(圖1)。每輪訓(xùn)練前，對(duì)準(zhǔn)備輸入網(wǎng)絡(luò)的圖像按批次旋轉(zhuǎn)、平移和翻轉(zhuǎn)變換。通過(guò)3種不同的數(shù)據(jù)增強(qiáng)方式，以及每個(gè)增強(qiáng)方式設(shè)置的隨機(jī)因子，可以保證每輪訓(xùn)練的數(shù)據(jù)都是不一樣的，有多少輪訓(xùn)練，數(shù)據(jù)集就擴(kuò)充多少倍。

圖1 數(shù)據(jù)增強(qiáng)過(guò)的蛇類圖像Fig.1 Snake images with data augmentation

3.2.2 圖像數(shù)據(jù)標(biāo)準(zhǔn)化

收集到的蛇類圖像來(lái)源不同，圖片尺寸大小和格式也不同，在輸入神經(jīng)網(wǎng)絡(luò)模型前需要對(duì)圖像數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。將圖像均轉(zhuǎn)換為JPG格式，利用keras的image_dataset_from_directory函數(shù)以8∶2的比例設(shè)置訓(xùn)練集、驗(yàn)證集，然后圖像尺寸統(tǒng)一調(diào)整為160像素×160像素，對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)批處理，批樣本數(shù)量(batch size)設(shè)置為128，并將調(diào)整好的圖像重新縮放像數(shù)值，將像數(shù)值從[0，255]放縮到[-1，1]。

3.3 超參數(shù)的設(shè)置

為了使模型獲得更好的效果，對(duì)模型的超參數(shù)進(jìn)行設(shè)置。結(jié)合GPU并行運(yùn)算能力，訓(xùn)練數(shù)據(jù)時(shí)批樣本數(shù)量設(shè)置為128，每次訓(xùn)練進(jìn)行9次迭代。訓(xùn)練采用Adam優(yōu)化算法，初始學(xué)習(xí)率設(shè)置為0.000 1，而對(duì)模型微調(diào)時(shí)設(shè)置的初始學(xué)習(xí)率為0.000 01。訓(xùn)練的輪次以模型能達(dá)到收斂為標(biāo)準(zhǔn)，微調(diào)前訓(xùn)練300次，微調(diào)訓(xùn)練100次，對(duì)各個(gè)不同的神經(jīng)網(wǎng)絡(luò)模型采用統(tǒng)一的超參數(shù)設(shè)置。

3.4 遷移學(xué)習(xí)和微調(diào)

通過(guò)keras提供的功能接口，加載不包括頂部分類層網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)模型作為基礎(chǔ)模型，與設(shè)計(jì)的分類網(wǎng)絡(luò)構(gòu)成新的神經(jīng)網(wǎng)絡(luò)模型。采用遷移學(xué)習(xí)策略[24]，把在ImageNet上預(yù)訓(xùn)練獲得的權(quán)值參數(shù)加載到網(wǎng)絡(luò)中，作為特征提取網(wǎng)絡(luò)，應(yīng)用在新目標(biāo)蛇類圖像數(shù)據(jù)集上，提取蛇類圖像的數(shù)據(jù)特征，減少訓(xùn)練深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型所需的數(shù)據(jù)量及試驗(yàn)平臺(tái)的計(jì)算力，解決小型數(shù)據(jù)集在復(fù)雜神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上產(chǎn)生的過(guò)擬合現(xiàn)象[25]。圖2為本研究的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)簡(jiǎn)圖。在大多數(shù)卷積網(wǎng)絡(luò)中，層級(jí)越高，其專用化程度越高。最初幾層是非常簡(jiǎn)單和通用的功能，這些功能可以概括幾乎所有類型的圖像，越往上層，功能對(duì)于模型訓(xùn)練所依據(jù)的數(shù)據(jù)集越具體。為進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)在蛇類數(shù)據(jù)集上的分類效果，采用微調(diào)訓(xùn)練策略(fine-tune)，將強(qiáng)制把權(quán)值從通用特征映射調(diào)整到與數(shù)據(jù)集特定關(guān)聯(lián)的特征。只有訓(xùn)練好分類層網(wǎng)絡(luò)，才能微調(diào)卷積網(wǎng)絡(luò)的頂部卷積層，否則，初始時(shí)的訓(xùn)練損失值很大，會(huì)破壞掉微調(diào)之前卷積層學(xué)到的內(nèi)容。在特征提取網(wǎng)絡(luò)設(shè)置為不可訓(xùn)練的情況下，對(duì)分類層網(wǎng)絡(luò)訓(xùn)練，最后解凍特征提取網(wǎng)絡(luò)頂部的部分隱藏層，對(duì)這些不同的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行不同程度的微調(diào)訓(xùn)練，可更好地提升模型的分類效果。

圖2 遷移學(xué)習(xí)的模型結(jié)構(gòu)示意圖Fig.2 Schematic diagram of transfer learning model structure

4 結(jié)果與分析

4.1 隨機(jī)初始化下的重新學(xué)習(xí)

使用中大型網(wǎng)絡(luò)模型ResNet50、ResNet101、VGG19以及輕量化模型MobileNetV2和Xception作為基礎(chǔ)網(wǎng)絡(luò)模型，采用隨機(jī)初始化權(quán)值的方式在ChineseSnakes數(shù)據(jù)集上訓(xùn)練。表1是隨機(jī)初始化的重新學(xué)習(xí)方式在未使用數(shù)據(jù)增強(qiáng)和使用數(shù)據(jù)增強(qiáng)條件下的訓(xùn)練結(jié)果。從表1中可以觀察到未使用數(shù)據(jù)增強(qiáng)的模型，訓(xùn)練集上的準(zhǔn)確度良好，但是驗(yàn)證集上的準(zhǔn)確度不高，驗(yàn)證集上的損失值大；使用數(shù)據(jù)增強(qiáng)的模型，除VGG19外，其余4個(gè)模型在訓(xùn)練集上的準(zhǔn)確度均有下降，所有模型在驗(yàn)證集上的準(zhǔn)確度均高于未使用數(shù)據(jù)增強(qiáng)的模型(19.43%～29.73%)，損失值也均大幅下降。經(jīng)分析，產(chǎn)生這種結(jié)果的原因是模型背后學(xué)習(xí)算法的優(yōu)化目標(biāo)(減少損失值，最終逼近真實(shí)值)。試驗(yàn)所用的ChineseSnakes數(shù)據(jù)集的樣本量少，用來(lái)識(shí)別的網(wǎng)絡(luò)模型性能均較為優(yōu)秀，模型的性能大于需要擬合的數(shù)據(jù)復(fù)雜度，因而未使用數(shù)據(jù)增強(qiáng)擴(kuò)充樣本的前模型能很快擬合訓(xùn)練集樣本的特征，但沒(méi)有學(xué)習(xí)到不同蛇類的通用特征，導(dǎo)致訓(xùn)練集準(zhǔn)確度很高，驗(yàn)證集上的準(zhǔn)確度很低，損失值居高不下，出現(xiàn)較為嚴(yán)重的過(guò)擬合。而數(shù)據(jù)增強(qiáng)擴(kuò)充樣本豐富了樣本的多樣性，模型對(duì)訓(xùn)練集的過(guò)度擬合得到緩解，訓(xùn)練集準(zhǔn)確度下降，更多的樣本提供了更多的分類特征，所以驗(yàn)證集上的準(zhǔn)確度得到的較大提升，損失值下降。VGG19相比其他模型，在數(shù)據(jù)增強(qiáng)之后，訓(xùn)練集準(zhǔn)確度沒(méi)有下降反而提升，可能是因?yàn)閂GG19模型出現(xiàn)更早，深度較淺，結(jié)構(gòu)較為簡(jiǎn)單，在過(guò)擬合不嚴(yán)重的情況下，樣本的增多仍能提升訓(xùn)練集上的準(zhǔn)確度。綜上，通過(guò)數(shù)據(jù)增強(qiáng)擴(kuò)充后，雖然提升了分類效果，減少了模型的過(guò)擬合，但準(zhǔn)確度仍有待提升。

表1 數(shù)據(jù)增強(qiáng)方法對(duì)訓(xùn)練結(jié)果的影響

4.2 預(yù)訓(xùn)練權(quán)值初始化下的遷移學(xué)習(xí)

4.2.1 微調(diào)前的遷移學(xué)習(xí)

在數(shù)據(jù)增強(qiáng)擴(kuò)充數(shù)據(jù)集的條件下，用遷移學(xué)習(xí)的方式，通過(guò)加載大型數(shù)據(jù)集ImageNet上訓(xùn)練學(xué)習(xí)得到的神經(jīng)網(wǎng)絡(luò)權(quán)值，對(duì)5種神經(jīng)網(wǎng)絡(luò)模型初始化，將除了分類層網(wǎng)絡(luò)以外的所有神經(jīng)網(wǎng)絡(luò)設(shè)置為不可訓(xùn)練模式，保留遷移的權(quán)值，僅訓(xùn)練分類層的神經(jīng)網(wǎng)絡(luò)，試驗(yàn)結(jié)果如表2所示。采用遷移學(xué)習(xí)初始化的模型，相較于隨機(jī)初始化的重新訓(xùn)練，除了VGG19，均表現(xiàn)出更好的分類效果，驗(yàn)證集準(zhǔn)確度提升8.39%～25.18%，基本未出現(xiàn)過(guò)擬合。隨機(jī)初始化從零學(xué)習(xí)基本要訓(xùn)練400輪才能達(dá)到收斂，驗(yàn)證集的準(zhǔn)確度提升緩慢，而使用遷移學(xué)習(xí)訓(xùn)練，只要300輪就能達(dá)到較好收斂，前半段的準(zhǔn)確度提升迅速。這是因?yàn)樵贗mageNet上訓(xùn)練過(guò)的模型學(xué)習(xí)到了蛇類圖像分類的有用特征。試驗(yàn)結(jié)果中驗(yàn)證集準(zhǔn)確度明顯優(yōu)于訓(xùn)練集準(zhǔn)確度的現(xiàn)象，是因?yàn)锽atchNormalization、Dropout等圖層會(huì)影響訓(xùn)練的準(zhǔn)確性。在計(jì)算驗(yàn)證損失時(shí)，它們處于關(guān)閉狀態(tài)，所以驗(yàn)證集的準(zhǔn)確度高于訓(xùn)練集準(zhǔn)確度。

表2 遷移學(xué)習(xí)下不同模型的訓(xùn)練結(jié)果

4.2.2 對(duì)遷移學(xué)習(xí)模型使用微調(diào)策略

微調(diào)的對(duì)象為特征提取網(wǎng)絡(luò)的頂層部分，保持分類層網(wǎng)絡(luò)可訓(xùn)練，在此基礎(chǔ)上，從凍結(jié)的神經(jīng)網(wǎng)絡(luò)頂層開始將部分的網(wǎng)絡(luò)層設(shè)置為可訓(xùn)練狀態(tài)，使其參數(shù)能在訓(xùn)練中改變，微調(diào)基礎(chǔ)模型中的高階特征表示，以使它們與蛇圖像分類任務(wù)更相關(guān)。試驗(yàn)中的5種模型，將特征提取網(wǎng)絡(luò)的前5層、前10層和前15層頂層網(wǎng)絡(luò)設(shè)置為可訓(xùn)練狀態(tài)，分別進(jìn)行試驗(yàn)。由于參與訓(xùn)練的神經(jīng)網(wǎng)絡(luò)層變多，預(yù)計(jì)進(jìn)一步提升模型的分類準(zhǔn)確度，在這一階段應(yīng)選擇較低的學(xué)習(xí)率，因此設(shè)置學(xué)習(xí)率為微調(diào)前的1/10，即為0.000 01。

如圖3訓(xùn)練結(jié)果曲線所示，在對(duì)模型進(jìn)行微調(diào)前，驗(yàn)證集的準(zhǔn)確率由于BatchNormalization、Dropout等神經(jīng)網(wǎng)絡(luò)層在評(píng)估結(jié)果上的影響，驗(yàn)證集的準(zhǔn)確度大于訓(xùn)練集的準(zhǔn)確度，在經(jīng)過(guò)300輪的訓(xùn)練后，各模型基本達(dá)到收斂。對(duì)模型進(jìn)行微調(diào)后，再經(jīng)過(guò)100輪的訓(xùn)練，由于可訓(xùn)練的參數(shù)增加，模型的擬合能力再次超過(guò)數(shù)據(jù)集的復(fù)雜程度，出現(xiàn)過(guò)擬合現(xiàn)象，但是各模型在訓(xùn)練集和驗(yàn)證集上的識(shí)別準(zhǔn)確度均獲得進(jìn)一步提升。針對(duì)模型特征提取網(wǎng)絡(luò)頂層部分的神經(jīng)網(wǎng)絡(luò)進(jìn)行不同層數(shù)的解凍并訓(xùn)練，選擇提升效果最好的微調(diào)策略與微調(diào)前的分類效果進(jìn)行比較，試驗(yàn)結(jié)果如表2所示，MobileNetV2、Xception、VGG19、ResNet50和ResNet101在驗(yàn)證集上的識(shí)別準(zhǔn)確度分別提升了6.87%、7.05%、12.39%、1.25%和1.67%，各微調(diào)后的神經(jīng)網(wǎng)絡(luò)模型在測(cè)試集上的準(zhǔn)確度最高的分別為95.80%、95.80%、95.10%、96.50%和97.20%，對(duì)ChineseSnakes數(shù)據(jù)集的平均識(shí)別準(zhǔn)確率為96.08%，可以達(dá)到一個(gè)較好的識(shí)別效果。

圖3 訓(xùn)練集/驗(yàn)證集準(zhǔn)確度和損失值曲線Fig.3 Accuracy and loss curve of train/validation

表3 基于微調(diào)策略的遷移學(xué)習(xí)訓(xùn)練結(jié)果

5 結(jié)論

試驗(yàn)結(jié)果表明，本研究提出的分類模型改進(jìn)方案可以有效提升模型的蛇類識(shí)別效果，并達(dá)到一個(gè)較高的識(shí)別準(zhǔn)確度，證實(shí)了方案的有效性。數(shù)據(jù)增強(qiáng)可以減少模型的過(guò)擬合，提高泛化能力；Adam優(yōu)化算法幫助模型尋找最優(yōu)解；采用遷移學(xué)習(xí)的初始化網(wǎng)絡(luò)權(quán)值方法可以大大縮短模型的訓(xùn)練時(shí)間，減少過(guò)擬合，提升模型分類精度；對(duì)模型進(jìn)行微調(diào)，調(diào)整模型中的高階特征，使其適應(yīng)指定數(shù)據(jù)集，進(jìn)一步提升了模型在ChineseSnakes數(shù)據(jù)集上的識(shí)別準(zhǔn)確度。最終改進(jìn)的模型通過(guò)數(shù)據(jù)增強(qiáng)、Adam優(yōu)化算法、遷移學(xué)習(xí)和微調(diào)策略，5種深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型在ChineseSnakes數(shù)據(jù)集上的平均識(shí)別準(zhǔn)確度為96.08%，其中識(shí)別準(zhǔn)確度最高的為ResNet101模型，在測(cè)試集上的識(shí)別準(zhǔn)確度達(dá)到97.20%。輕量型神經(jīng)網(wǎng)絡(luò)模型MobileNetV2和Xception相比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型略有不足，但是相差不大，滿足日常識(shí)別的要求，其參數(shù)少和體積小的優(yōu)勢(shì)，會(huì)是實(shí)現(xiàn)嵌入式蛇類自動(dòng)識(shí)別系統(tǒng)的不錯(cuò)選擇。