A Comparison of Adaptive Moment Estimation (Adam) and RMSProp Optimisation Techniques for Wildlife Animal Classification Using Convolutional Neural Networks
Notice bibliographique
Résumé
The rapid decline in wildlife animal diversity necessitates expedited evaluations of biodiversity and population dynamics.Accurate image recognition from camera traps is central to such assessments.This study investigates the impact of different optimisation techniques and hyperparameter configurations on the accuracy of wildlife animal classification.Specifically, the comparative effectiveness of the Adaptive Moment Estimation (Adam) and Root Mean Square Propagation (RMSProp) optimisation algorithms is examined.The influence of learning rates on these optimisation techniques is evaluated, while other hyperparameters are held constant.Convolutional Neural Networks (CNN) models, namely DenseNet-121, ResNet-50, and AlexNet, are utilised for this study.The investigation employs a dataset composed of 47,841 images sourced from the Serengeti Project Season 1 Snapshot in Tanzania.The images depict wild animals in diverse perspectives within their natural habitats, with some providing a complete view of the animal's body, while others do not.The dataset, characterised by an imbalanced distribution, is segregated into training, validation, and testing sets at proportions of 80%, 10%, and 10%, respectively.The results reveal that the application of the Adam optimisation technique yields the highest average accuracy of 80.66% with the ResNet-50 model.However, the DenseNet-121 model achieved an overall accuracy exceeding 95%.Notably, the ResNet-50 architecture, with learning rates of 0.1 and 0.01, encountered challenges during the training and validation of all images due to the complexity of the dataset.Irrespective of the optimisation technique employed, the most effective performance was observed with the ResNet-50 model, utilising the Adam optimiser and a learning rate of 0.001.The study proposes suitable learning rate values for training scenarios similar to the present investigation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».