GAN-Augmented Ensemble Models for Wildlife Image Recognition on Caltech‑256 Dataset

الملخص

لا يزال التصنيف الصحيح لصور الحياة البرية يمثل مشكلة رئيسية بالنظر إلى قلة البيانات المصنفة وكثرة التباين داخل الفئة. تُقدّم هذه الورقة نموذج تجميعي قوي يشمل تعزيز البيانات الاصطناعية باستخدام الشبكات التنافسية التوليدية (GANs) والتعلم بالنقل لتحسين أداء التعرف على الحياة البرية. تم بناء مسار العمل على عينة مختارة بعناية من بيانات Caltech-256، حيث تُجرى معالجة مسبقة للصور، وتُنتج عينات اصطناعية باستخدام الشبكات التوليدية التنافسية لإضافة تنوع إلى التدريب. يتم تدريب ثلاث شبكات عصبية تلافيفيه، ResNet50  و VGG16 و InceptionV3 على هذه البيانات المعززة، ويُستفاد من قوة التمثيل الخاصة بها من خلال استخدامها معاً. ثم يتم إنشاء لجنة تصويت مرجّحة على أساس دقة كل نموذج فردي لإنتاج النتيجة النهائية للتنبؤ. تُظهر النتائج التجريبية أن النموذج التجميعي المعزز بـ GAN المقترح يتفوق بشكل ملحوظ على كل من أساليب الزيادة التقليدية والنماذج الفردية، حيث حقق دقة تبلغ 93.29%. يبرز هذا النهج فعالية دمج النمذجة التوليدية واستراتيجيات النماذج التجميعية لتحسين الأداء في تصنيف الحياة البرية مع عينات صغيرة وتباين عالي.