ivdon3@bk.ru
В этом исследовании представлен эффективный метод, основанный на зрении, для точной идентификации видов хищников по изображениям с камер-ловушек в охраняемых районах Уганды. Для решения проблем обнаружения объектов в естественной среде мы предлагаем новую многофазную архитектуру глубокого обучения, которая сочетает в себе извлечение различных признаков с концентрированным обнаружением краев. По сравнению с предыдущими подходами, наш метод обеспечивает точность классификации на 90,9%, что значительно сокращает количество обучающих рекламных выборок, выполняемых вручную. Фоновые пиксели были систематически отфильтрованы для улучшения работы модели в различных условиях окружающей среды. Эта работа является достижением как в области биологии, так и в области компьютерного зрения, демонстрируя эффективный и ориентированный на данные подход к автоматизированному мониторингу дикой природы, который поддерживает научно обоснованные меры по сохранению.
Ключевые слова: глубокое обучение, фотоловушка, сверточная нейронная сеть, набор данных, хищник, национальный парк Кидепо, дикая природа
В данной статье рассматривается применение сетей двунаправленной долговременной кратковременной памяти (Bi-LSTM) для генерации исходного кода. В исследовании анализируется, как Bi-LSTM обрабатывают последовательные данные в двух направлениях, собирая контекстную информацию как из прошлых, так и из будущих токенов для генерации синтаксически корректного и семантически согласованного кода. Представлен всесторонний анализ архитектур моделей, включая механизмы внедрения, сетевые конфигурации и уровни вывода. В исследовании подробно описываются процессы подготовки данных, особое внимание уделяется методам токенизации, которые позволяют сбалансировать объем словарного запаса с использованием терминологии, специфичной для предметной области. Методологии обучения, алгоритмы оптимизации и показатели оценки обсуждаются со сравнительными результатами по нескольким языкам программирования. Несмотря на многообещающие результаты, остаются проблемы с функциональной корректностью и генерацией сложной структуры кода. Будущие направления исследований включают механизмы внимания, инновационные архитектуры и усовершенствованные процедуры обучения.
Ключевые слова: генерация кода, глубокое обучение, рекуррентные нейронные сети, трансформаторы, токенизация