基于高效神经元注意力分阶段网络（ENAS-Net）的动物物种分类方法研究

针对野生动物监测中物种分类精度不足的问题，研究人员提出结合神经架构搜索网络（NASNet）与高效网络（EfficientNet）的ENAS-Net模型。通过各向异性扩散去噪、O-SegNet分割及E-OCLBP特征提取，该模型在两类数据集上分别实现91.405%和92.172%的分类准确率，TPR与TNR均超92%，为生态保护提供了高效技术方案。

　　

地球生态平衡依赖于物种多样性，但野生动物分布的不稳定性导致物种濒危加剧。国际自然保护联盟（IUCN）数据显示，超过1.7万种动物缺乏有效监测数据。传统方法如项圈追踪和声学监测效率低下，而相机陷阱技术虽能获取图像，却面临复杂背景、物种间视觉相似性等挑战。现有深度学习（DL）方法如卷积神经网络（CNN）虽能自动分类，但存在泛化性不足、分类精度受限等问题。为此，研究人员开发了高效神经元注意力分阶段网络（ENAS-Net），旨在提升动物物种分类的准确性与鲁棒性。

研究团队采用多阶段技术路线：首先通过各向异性扩散去除图像噪声，利用O-SegNet分割目标与背景；随后结合熵基对手颜色局部二值模式（E-OCLBP）和CNN提取特征；最终构建融合NASNet与EfficientNet的ENAS-Net模型。实验使用两类真实野生动物数据集验证性能。

研究结果

1. 模型设计：ENAS-Net通过分阶段注意力机制优化特征学习，结合NASNet的架构搜索能力与EfficientNet的缩放效率，显著提升分类精度。
2. 性能指标：在数据集1中达到91.405%准确率（TPR 92.045%，TNR 91.549%）；数据集2中进一步优化至92.172%准确率（TPR 92.994%，TNR 92.452%），优于现有方法。
3. 技术对比：相比传统VGG16和DJAN等模型，ENAS-Net在复杂背景下表现出更强的特征区分能力，有效降低误检率。

结论与意义
该研究通过创新性融合NASNet与EfficientNet，解决了物种分类中的类间相似性难题。ENAS-Net的高精度和稳定性为大规模野生动物监测提供了可靠工具，尤其适用于濒危物种保护与生态研究。未来可进一步探索跨物种迁移学习能力，以应对数据稀缺场景。论文发表于《Engineering Applications of Artificial Intelligence》，为计算机视觉与生态学的交叉研究树立了新标杆。