采用深度卷积神经网络的蚊子警报应用程序

由于一项新的研究，瞄准携带疾病蚊子的地区变得更容易了。最近发表在 IEEE 探索 ， 上的这项研究利用深度学习，从公民科学家拍摄的图像中，以近乎完美的准确度识别老虎蚊子。

“识别蚊子是最基本的，因为它们传播的疾病仍然是一个重大的公共卫生问题，”主要作者 Gerezhier Adhane 说。

这项研究由加泰罗尼亚大学（ UOC ） 计算机科学、多媒体和电信学院 和 电子健康中心 的场景理解与人工智能研究小组（ SUnAI）的研究人员使用 蚊子警报 应用程序中的图像进行。该平台在西班牙开发，目前正在全球扩展，汇集了公民、昆虫学家、公共卫生当局和蚊子控制服务机构，以减少蚊子传播的疾病。

世界上的任何人都可以将带有地理标记的蚊子图片上传到应用程序中。三位昆虫学家在将提交的图像添加到数据库、分类和绘制地图之前，对其进行检查和验证。

随着气候变化和城市化，旅游和口粮扩大了蚊子的活动范围和栖息地。迅速查明已知传播登革热、寨卡病毒、基孔肯雅病毒和黄热病的老虎等物种，仍然是协助有关当局遏制其传播的关键一步。

Adhane 说：“这种类型的分析很大程度上依赖于人类的专业知识，需要专业人员的合作，通常很耗时，而且由于入侵物种可能会快速繁殖，因此不具有成本效益。”在这里，神经网络可以作为控制蚊子传播的实用解决方案发挥作用。”

研究小组开发了一种能够区分蚊子种类的深度卷积神经网络。从一个预先训练好的模型开始，他们使用手工标记的蚊子警报数据集对其进行了微调。利用 NVIDIA GPU 和 cuDNN – 加速 PyTorch 深度学习框架，根据可识别的形态特征（如腿上的白色条纹、腹部斑块、头部和胸部形状）教导分类模型精确定位虎蚊。

深度学习模型通常依赖于数百万个样本。然而，研究人员仅使用了来自蚊子警报的 6378 张老虎和非老虎蚊子的图像，就能够训练出准确率约为 94% 的模型。

Adhane 说：“我们开发的神经网络可以表现得和人类专家一样好，甚至几乎一样好，而且算法足够强大，可以处理大量的图像。”。

根据研究人员的说法，随着蚊子警报规模的扩大，这项研究可以扩展到对全球多种蚊子及其繁殖地进行分类。

“我们开发的模型可以在实际应用中使用，只需稍作修改，就可以与移动应用一起使用。利用这个经过训练的网络，有可能对使用智能手机拍摄的蚊子图像进行高效实时的预测，” Adhane 说。

关于作者

Michelle Horton 是 NVIDIA 的高级开发人员通信经理，拥有通信经理和科学作家的背景。她在 NVIDIA 为开发者博客撰文，重点介绍了开发者使用 NVIDIA 技术的多种方式。

审核编辑：郭婷

深度学习神经网络应用程序模型

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。