Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

This thesis examines the effectiveness of two-phase training to mitigate class-imbalance when classifying camera trap images using deep learning. Recent reports indicate that biodiversity is declining world-wide. This is important given that biodiversity is a key indicator for healthy ecosystems, which in turn have important social and economic consequences for humans. Deep learning models can support biodiversity conservation efforts by automatically classifying camera trap images. Results from these models make biodiversity monitoring a lot more efficient. The classification models that are currently put forward by literature achieve high overall accuracy. However, given that camera trap data sets are typically highly imbalanced, this high overall accuracy often only reflects a high performance of the models on a few majority classes and a poor performance on most minority classes. Therefore, images of many species belonging to minority classes are rarely classified correctly due to the bias of the model towards the majority classes. We turned to the literature on the class imbalance issue in deep learning and hypothesized that two-phase training could be used to increase the performance for these minority classes. To test the effectiveness of two-phase training in this context, we trained, next to a baseline model, four models that all implemented a different version of two-phase training on a subset of the highly imbalanced Snapshot Serengeti data set, containing over 155,000 camera trap images. The four models implementing two-phase training differed with respect to the levels of oversampling and undersampling that was used in the first phase. The results suggest that two-phase training slightly improves the macro F1-score of the classifier without resulting in a severe drop in overall accuracy. Moreover, we find two-phase training based on random majority undersampling (RUS) to be the most effective. When we look at class-specific F1-scores, we see that two-phase training can lead to an increase in performance for many of the minority classes, with limited loss in performance for the other classes. When performed in combination with RUS, two-phase training leads to an average increase in class-specific F1-scores of up to 3.0\%. We also find that two-phase training outperforms only using random minority oversampling (ROS) or RUS. When performing RUS, fine-tuning the classification layer leads to an average increase in class-specific F1-scores of up to 6.6\%. Finally, we find that a combination of ROS and RUS leads to a better performance than using them individually. We conclude that we confirm our hypothesis and that two-phase training can indeed be used to, at least partly, mitigate class-imbalanced data when classifying real-world complex images such as camera trap images.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Deze thesis zal proberen een algemeen overzicht te geven van bestaande compressietechnieken voor multimediadata. Het is niet de bedoeling een technische uiteenzetting te geven, doch echter de lezer vertrouwd te maken met enkele technieken. Na een algemeen overzicht te hebben gegeven van de basistechnieken voor compressie, zullen enkele standaarden voor het comprimeren van stilstaande en bewegende beelden en audio dieper worden uitgewerkt. Telkens zal ook worden aangegeven wat de voor- en nadelen zijn van deze verschillende codecs. In deze thesis zullen ook een aantal technieken vergeleken worden qua prestaties aan de hand van enkele experimenten.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

In het kader van de doctoraatsstudie van Jolien Swanckaert aan het ILVO wordt al gedurende vier jaar getracht de invloed van droogte op de kwaliteit van kuilmaïs in kaart te brengen. Omdat dit gepaard gaat met het voorkomen van een droog teeltjaar is dit nog maar twee keer gelukt namelijk in 2013 en 2015. Deze masterproef geeft zowel de invloed van de afrijping als van de droogte op de kwaliteit van kuilmaïs weer. Hierbij wordt telkens de invloed van deze twee parameters per plantendeel en op de totale plant weergegeven en vergeleken met de literatuur. Er wordt geconcludeerd dat zowel het ervaren van droogtestress als de afrijping een invloed hebben op de kwaliteit van de maïskuil. De invloed van droogtestress op de kwaliteit van de maïskuil is sterk afhankelijk van het maïsras en het oogsttijdstip. Droogtestress kan er namelijk voor zorgen dat het eiwitgehalte verhoogt, het NDF-gehalte daalt en de maïs beter verteerbaar wordt. Droogtestress heeft wel geen invloed op het verteerbaar NDF-gehalte en het zetmeelgehalte. Ook is de kwaliteit van de maïskuil afhankelijk van de afrijping. Zo zal naarmate de afrijping vordert het verteerbaar NDF-gehalte dalen en de verteerbaarheid en het zetmeelgehalte stijgen. Het NDF-gehalte fluctueert zeer sterk in de tijd, afhankelijk van het oogsttijdstip zal je een maïskuil hebben met een ofwel hoog ofwel laag NDF-gehalte. Ten slotte werd er geen invloed van de afrijping vastgesteld op het eiwitgehalte van de totale maïsplant.