CN110135231A - 动物面部识别方法、装置、计算机设备和存储介质 - Google Patents
动物面部识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110135231A CN110135231A CN201811591828.3A CN201811591828A CN110135231A CN 110135231 A CN110135231 A CN 110135231A CN 201811591828 A CN201811591828 A CN 201811591828A CN 110135231 A CN110135231 A CN 110135231A
- Authority
- CN
- China
- Prior art keywords
- image data
- animal
- animal face
- neural network
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 241
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 36
- 238000012795 verification Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 15
- 230000001815 facial effect Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 241000282887 Suidae Species 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 244000144972 livestock Species 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 235000005809 Carpobrotus aequilaterus Nutrition 0.000 description 1
- 244000187801 Carpobrotus edulis Species 0.000 description 1
- 235000004550 Disphyma australe Nutrition 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本公开实施例公开了一种动物面部识别方法、装置、计算机设备和存储介质，所述方法包括：将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。该方案能够根据动物面部图像对动物进行准确的识别。
Description
技术领域
本公开涉及图像处理技术领域，具体涉及一种动物面部识别方法、装置、计算机设备和存储介质。
背景技术
近年来，随着智能化养殖的发展，养殖企业对牲畜个体实行精准化管理已逐渐成为一种行业趋势，这就要求企业在养殖过程中能够准确识别出牲畜的个体身份。目前，牲畜身份识别的主要方法是通过在动物身体上安装无线射频识别(RFID)标签。首先，这些无线射频标签通常通过穿孔装配到动物(如猪)的耳朵上，这对工作人员来说非常耗时，而且非常容易引起动物的不适，发生咬标、掉标的情况；其次，无线射频标签的作用范围十分有限，即使是长距离的无线射频感应器的作用范围最大也只有120cm，并且多个标签不能同时读取；再次，在农场的实际养殖环境中，许多外界因素(诸如其他金属和射频设备)也会对无线射频的有效性产生不利影响，进一步缩小了无线射频识别(RFID)标签的有效作用范围，外界因素甚至会干扰或阻断无线射频识别(RFID)设备的运行。
人脸识别作为近几十年里图像识别领域重要的研究方向，其技术方法已经非常成熟，从早期的几何特征匹配到20世纪90年代的整体性方法，再到近年来广泛使用的神经网络，人脸识别技术在识别的准确率上已经超出了人类水平。人脸识别通常用于非侵入式的访问控制和监视目的，这与养殖企业的应用场景非常相似，而且人脸和动物(如猪)脸具有大量的相似特征，因此，理论上可以将人脸识别领域的相关技术迁移应用于动物(如猪) 身份识别问题。但是，目前对动物面部识别的算法的局限性在于依赖对动物(如猪)脸特征区域的人工分割，因此，并不能在实际的农场应用环境中推广使用。
发明内容
基于此，有必要针对上述技术问题，提供一种能够根据动物面部图像对动物进行准确的识别的动物面部识别方法、装置、计算机设备和存储介质。
一种动物面部识别方法，所述方法包括：
将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；
将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；
将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；
其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。
在其中一个实施例中，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：对所述动物面部训练图像数据和标签值数据通过所述卷积神经网络进行特征提取，得到不同层次的动物面部的高维抽象特征；对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；对所述多层次融合的双线性特征数据通过池化函数和分类函数进行分类，得到初始分类结果。
在其中一个实施例中，所述将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果，包括：对所述动物面部验证图像数据通过所述收敛的神经网络模型进行特征提取，得到不同层次的动物面部的高维抽象特征；对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；对所述多层次融合的双线性特征数据通过池化函数和分类函数进行分类，得到最终分类结果。
在其中一个实施例中，在所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果之前，包括：采集初始动物面部图像数据；对所述初始动物面部图像数据进行数据清洗和预处理，得到动物面部图像数据；其中，同一动物的所述动物面部图像数据分为动物面部训练图像数据和动物面部验证图像数据。
在其中一个实施例中，所述对所述初始动物面部图像数据进行数据清洗，得到动物面部图像数据，包括：对所述初始动物面部图像数据根据结构相似性指数剔除相似图像数据，得到预处理动物面部图像数据；根据所述预处理动物面部图像数据，进行动物面部区域提取，得到动物面部图像数据。
在其中一个实施例中，所述进行动物面部区域提取包括：基于目标检测的深度神经网络yolo-9000自动标记图片中的动物面部区域；或使用标记工具labelImg标记图片中的动物面部区域。
在其中一个实施例中，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：将所述动物面部训练图像数据和标签值数据通过双线性内插值法降维后输入初始卷积神经网络，得到初始分类结果。
在其中一个实施例中，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：将所述动物面部训练图像数据和标签值数据通过实时的数据增强后输入初始卷积神经网络，得到初始分类结果；其中，所述实时的数据增强包括：图像旋转、随机改变对比度、随机改变亮度和随机修剪中至少一种。
一种动物面部识别装置，包括：
初始分类结果获取模块，用于将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；
收敛的神经网络模型训练模块，用于将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；
最终分类结果获取模块，用于将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；
其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；
将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；
将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；
其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；
将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；
将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；
其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。
上述动物面部识别方法、装置、计算机设备和存储介质，通过卷积神经网络自动识别动物面部图像的特征部位，并根据反向传播方法优化各卷积层参数，得到收敛的神经网络模型，通过收敛的神经网络模型能够对动物面部图像进行准确分类，实现动物的身份的准确识别。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
图1为一个实施例中动物面部识别方法的流程示意图；
图2为一个实施例中数据清洗和预处理步骤的流程示意图；
图3为一个实施例中Bilinear-CNN网络结构模型的结构示意图；
图4为一个实施例中改进的Bilinear-CNN网络结构模型的结构示意图；
图5示出根据本公开一实施方式的电子设备的结构框图；
图6是适于用来实现根据本公开一实施方式的动物面部识别方法的计算机系统的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
本公开实施例提供的技术方案通过卷积神经网络自动识别动物面部图像的特征部位，并根据反向传播方法优化各卷积层参数，得到收敛的神经网络模型，通过收敛的神经网络模型能够对动物面部图像进行准确分类，实现动物的身份的准确识别。
图1示出根据本公开一实施方式的动物面部识别方法的流程图。如图 1所示，所述动物面部识别方法包括以下步骤S130-S150：
在步骤S130中，将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果。其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练。
其中，通过多个动物面部训练图像数据和标签值数据作为训练集，对所述初始卷积神经网络进行训练。
在步骤S140中，将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型。
其中，初始卷积神经网络的卷积层为多个，每个卷积层都有相应的参数，各个卷积层按照特定顺序排列，按照排列的顺序，前一卷积层的输出作为后一卷积层的输入。
其中，反向传播通过反向传播算法实现，所述反向传播算法依据的原则是：
(1)将训练集数据输入到初始卷积神经网络的输入层，经过中间卷积层计算，最后通过输出层输出计算结果，这是卷积神经网络的前向传播过程；
(2)由于初始卷积神经网络的输出计算结果与实际结果有误差，则计算输出计算结果与实际结果之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层；
(3)在反向传播的过程中，根据误差调整各种参数的值，并不断迭代上述过程，直至收敛。
其中，在通过卷积神经网络对动物面部图像数据进行分类过程中，大多数应用特征不需要特有的算法识别，且能够降低数据的复杂性，使得模型更易于学习，在处理大量数据问题时，运行速度快、耗时短。
具体的，通过反向传播分类损失的梯度来优化各卷积层的参数，损失函数的公式如下：
其中，n为样本数，即动物面部训练图像数据和标签值数据的个数， C为样本类别数，即动物的数目，tki是样本k属于类别i的概率，yki是模型对样本k预测为属于类别i的概率。
将整个训练过程分为两步：首先使用逻辑回归训练最后的全连接分类层，为了加速学习，抑制震荡，使用基于动量的优化算法；其次，以相对较小的学习速率(η＝0.001)使用反向传播训练多个epoch(50-200个) 微调整个网络，其中，1个epoch就是将所有的训练图像全部通过网络训练一次，epoch个数具体取决于数据集和模型的大小，使用随机梯度下降算法优化训练过程，训练过程中保存结果最优的模型。
在步骤S150中，将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果。
其中，多个动物面部验证图像数据作为测试集，可将多个动物面部验证图像数据输入所述收敛的神经网络模型，得到多个动物的最终分类结果。
其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。
上文提及，目前对动物面部识别的算法的局限性在于依赖对动物脸特征区域的人工分割。
考虑到上述缺陷，在该实施方式中，提出一种动物面部识别方法，该方法卷积神经网络不需要人工定义和标记特征部位，可以通过对大量样本的学习自动获取图像的特征部位数据，很大程度上降低了特征提取的成本和难度。
在本实施例的一个可选实现方式中，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：对所述动物面部训练图像数据和标签值数据通过所述卷积神经网络进行特征提取，得到不同层次的动物面部的高维抽象特征；对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；对所述多层次融合的双线性特征数据通过池化函数和分类函数进行分类，得到初始分类结果。
其中，初始卷积神经网络的模型F为一个四元组的函数，具体表达式为：F＝(fA,fB,P,C)，其中fA、fB表示特征提取函数，即图3中CNN stream A和CNN stream B两条卷积神经网络(VGG-16网络)，P是池化函数，C 是分类函数。所述动物面部训练图像数据和标签值数据通过所述特征提取函数fA、fB进行特征提取，得到动物面部特征数据，由于动物面部特征数据是由两个特征提取函数的输出，需要对所述动物面部特征数据使用矩阵外积进行特征组合，得到双线性特征数据(bilinear vector)，双线性特征数据通过池化函数P汇聚成用于分类的图像特征，再根据分类函数进行分类，得到初始分类结果(softmax)。
具体的，在对一动物面部图像数据进行特征提取时，可以看成输入图像I和位置区域L映射为一个c×D维的特征R，两个特征提取函数的作用分别为对特征部位进行定位和根据定位的特征部位进行特征提取。
对于两个特征提取函数的输出使用矩阵外积进行特征组合，得到双线性特征数据，具体的通过矩阵外积进行特征组合计算双线性特征数据公式为：bilinear(l,I,fA,fB)＝fA(l，I)TfB(l，I)，其中，l位置为区域L中某一位置。
所述双线性特征数据通过池化函数池化成图像特征的具体公式为：φ(I)＝∑l∈ Lbilinear(l,I,fA,fB)，该公式表示的具体含义为根据位置l对双线性特征数据进行累加。后续的分类函数C则为经典的全连接层对池化后的图像特征进行分类。
本实施例中，通过两个特征提取函数完成了细粒度图像分类过程中两个最关键的任务：对特征部位进行定位和根据定位的特征部位进行特征提取。相比于其它算法，卷积神经网络通过计算卷积特征向量的矩阵外积来考察不同维度之间的交互关系，由于特征向量的不同维度对应卷积特征的不同通道(CNN stream A和CNN stream B)，而不同通道提取了不同的对象特征，因此，通过计算双线性特征数据的操作可以捕获输入的不同的图像特征之间的联系。
在其中一个实施例中，所述特征提取函数的具体限定参见上述实施例。所述动物面部训练图像数据和标签值数据通过所述特征提取函数fA、fB进行特征提取，得到第一动物面部特征数据，如图4所示，再获取CNN stream A中中间两个卷积层的输出作为第二动物面部特征数据，将通道CNN stream A中的三个输出与通道CNN stream B中一个输出作为矩阵外积，再通过矩阵外积进行特征组合计算双线性特征数据。
在其中一个实施例中，所述将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果，包括：对所述动物面部验证图像数据通过所述收敛的神经网络模型进行特征提取，得到不同层次的动物面部的高维抽象特征；对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；对所述多层次融合的双线性特征数据通过池化函数和分类函数进行分类，得到最终分类结果。
本实施例是在改进的双线性卷积神经网络(Bilinear-CNN)实现对分类结果的计算，其在网络结构中引入了恒等映射使得网络得以加深的同时也让不同层次的特征得以联系起来，通过引入多个卷积层的输出来进行图像的特征提取，综合考虑了多个特征之间的空间关系，使得提取的特征更加丰富、对动物的面部图像的描述更加准确。
在本实施例的一个可选实现方式中，如图2所示，所述动物面部识别方法，还包括步骤S110-S120：
在步骤S110中，采集初始动物面部图像数据。
具体的，首先多帧动物视频，再从视频中获取多张初始动物面部图像数据，所述动物包括但不限于猪、牛、羊、狗。
在步骤S120中，对所述初始动物面部图像数据进行数据清洗和预处理，得到动物面部图像数据。
其中，所述初始动物面部图像数据进行删选，删选出包含完整动物面部图像的数据，由于动物面部图像是通过视频获取，对应多幅连续的图像存在相似度过高的问题，需要对相似度高的图片再进行删选，剔除相似度高的图片，再通过预处理获取图片中的动物面部区域，最终到得到动物面部图像数据。
在本实施方式中，通过对初始动物面部图像数据进行数据清洗和预处理，使得获取的动物面部图像数据更加准确，使得分类结果的准确度更高。
其中，所述对所述初始动物面部图像数据进行数据清洗，得到动物面部图像数据，包括：对所述初始动物面部图像数据根据结构相似性指数剔除相似图像数据，得到预处理动物面部图像数据；根据所述预处理动物面部图像数据，进行动物面部区域提取，得到动物面部图像数据。
其中，结构相似性指数SSIM比常用的度量标准—均方误差更接近于人类感知，由此采用结构相似性指数SSIM来判断两幅图像之间的相似度。结构相似性指数SSIM计算公式为：
其中，μx、μy是两幅图像的灰度值的平均值，σx、σy是两幅图像的灰度值的方差，σxy是两幅图像的灰度值的协方差，c1、c2为常量。
其中，所述进行动物面部区域提取包括：基于目标检测的深度神经网络yolo-9000自动标记图片中的动物面部区域；或使用标记工具labelImg 标记图片中的动物面部区域。
优选的，使用标记工具labelImg标记图片中的动物面部区域。使用标记工具labelImg标记图片中的动物面部区域比使用基于目标检测的深度神经网络yolo-9000标记图片中的动物面部区域，准确度更高。
在一个可选实现方式中，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：将所述动物面部训练图像数据和标签值数据通过双线性内插值法降维后输入初始卷积神经网络，得到初始分类结果。
在一个可选实现方式中，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：将所述动物面部训练图像数据和标签值数据通过实时的数据增强后输入初始卷积神经网络，得到初始分类结果。其中，所述实时的数据增强包括：图像旋转、随机改变对比度、随机改变亮度和随机修剪中至少一种。其中，随机修改为随机 Crop，训练时全连接层的丢弃率为50％。
通过本实施方式所述方法，能够在采集的样本数据有限的情况下，防止卷积神经网络出现过度拟合，能够提高卷积神经网络的泛化能力。
在一个可选实现方式中，初始卷积神经网络为：通过在人脸数据集 LFW上预训练过的VGG-16网络并将其在最后一层卷积层(conv5_3)处截断作为特征提取器的预训练卷积神经网络。
本实施方式所述方法，同样能够防止卷积神经网络出现过度拟合，这是由于在卷积神经网络的结构上，从最后一个卷积层处截断使得网络可以在单个前向传播过程中处理任意大小的输入图像，并产生由图像中区域位置和特征通道索引的输出。
通过本公开实施例中所述方法，利用200头猪的脸部数据进行实验，如表1所示，通过实验证明，经典的VGG-16模型的测试结果的准确度达到90.04％，双线性卷积神经网络模型(Bilinear-CNN)的测试结果的准确度达到94.31％，改进的双线性卷积神经网络模型(Our B-CNN)的测试结果的准确度达到95.73％。表1中的FPR和FNR代表了发生的错误分类的可能，以FPR为例，它是衡量模型系统在实际应用中可行性的重要指标，表1中VGG-16方法显示出最高的FPR值，超过十分之一的猪可能被错误分类，这个比率在实际应用中很可能是过高的。改进的双线性卷积神经网络模型(Bilinear-CNN)的FPR为4.91％，这意味着可能在近21头猪中仅错误识别1例。
表1三种模型在猪脸测试集上测试结果
下述为本公开装置实施例，可以用于执行本公开方法实施例。
本公开一实施方式的动物面部识别装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。所述动物面部识别装置包括：
初始分类结果获取模块，用于将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练。
收敛的神经网络模型训练模块，用于将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型。
最终分类结果获取模块，用于将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。
上文提及，目前对动物面部识别的算法的局限性在于依赖对动物脸特征区域的人工分割。
考虑到上述缺陷，在该实施方式中，提出一种动物面部识别装置，该装置卷积神经网络不需要人工定义和标记特征部位，可以通过对大量样本的学习自动获取图像的特征部位数据，很大程度上降低了特征提取的成本和难度。
在本实施例的一个可选实现方式中，所述初始分类结果获取模块包括: 特征提取单元，用于对所述动物面部训练图像数据和标签值数据通过所述卷积神经网络进行特征提取，得到不同层次的动物面部的高维抽象特征；特征组合单元，用于对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；特征分类单元，用于对所述双线性特征数据通过池化函数和分类函数进行分类，得到初始分类结果。
在本实施例的一个可选实现方式中，所述最终分类结果获取模块包括: 特征提取单元，用于对所述动物面部验证图像数据通过所述收敛的神经网络模型进行特征提取，得到不同层次的动物面部的高维抽象特征；特征组合单元，用于对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；特征分类单元，用于对所述多层次融合的双线性特征数据通过池化函数和分类函数进行分类，得到最终分类结果。
在本实施例的一个可选实现方式中，所述动物面部识别装置还包括：数据采集模块，用于采集初始动物面部图像数据；数据预处理模块，用于对所述初始动物面部图像数据进行数据清洗和预处理，得到动物面部图像数据。
其中，所述数据预处理模块包括：相似图像剔除子单元，用于对所述初始动物面部图像数据根据结构相似性指数剔除相似图像数据，得到预处理动物面部图像数据；面部区域获取子单元，用于根据所述预处理动物面部图像数据，进行动物面部区域提取，得到动物面部图像数据。
其中，所述进行动物面部区域提取包括：基于目标检测的深度神经网络yolo-9000自动标记图片中的动物面部区域；或使用标记工具labelImg 标记图片中的动物面部区域。
关于动物面部识别装置的具体限定可以参见上文中对于动物面部识别方法的限定，在此不再赘述。上述动物面部识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本公开还公开了一种电子设备，图5示出根据本公开一实施方式的电子设备的结构框图，如图5所示，所述电子设备1100包括存储器1101和处理器1102；其中，
所述存储器1101用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器1102执行以实现上述任一方法步骤。
图6适于用来实现根据本公开实施方式的动物面部识别方法的计算机系统的结构示意图。
如图6所示，计算机系统1200包括中央处理单元(CPU)1201，其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208 加载到随机访问存储器(RAM)1203中的程序而执行上述实施方式中的各种处理。在RAM1203中，还存储有系统1200操作所需的各种程序和数据。CPU1201、ROM1202以及RAM1203通过总线1204彼此相连。输入/ 输出(I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1207；包括硬盘等的存储部分1208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
特别地，根据本公开的实施方式，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行所述动物面部识别方法方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。
附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；
将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；
将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；
其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；
将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；
将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；
其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种动物面部识别方法，其特征在于，包括：
将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；
将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；
将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；
其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。
2.根据权利要求1所述的方法，其特征在于，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：
对所述动物面部训练图像数据和标签值数据通过所述卷积神经网络进行特征提取，得到不同层次的动物面部的高维抽象特征；
对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；
对所述多层次融合的双线性特征数据通过池化函数和分类函数进行分类，得到初始分类结果。
3.根据权利要求1所述的方法，其特征在于，所述将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果，包括：
对所述动物面部验证图像数据通过所述收敛的神经网络模型进行特征提取，得到不同层次的动物面部的高维抽象特征；
对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；
对所述多层次融合的双线性特征数据通过池化函数和分类函数进行分类，得到最终分类结果。
4.根据权利要求1所述的方法，其特征在于，在所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果之前，包括：
采集初始动物面部图像数据；
对所述初始动物面部图像数据进行数据清洗和预处理，得到动物面部图像数据；
其中，同一动物的所述动物面部图像数据分为动物面部训练图像数据和动物面部验证图像数据。
5.根据权利要求4所述的方法，其特征在于，所述对所述初始动物面部图像数据进行数据清洗，得到动物面部图像数据，包括：
对所述初始动物面部图像数据根据结构相似性指数剔除相似图像数据，得到预处理动物面部图像数据；
根据所述预处理动物面部图像数据，进行动物面部区域提取，得到动物面部图像数据。
6.根据权利要求5所述的方法，其特征在于，所述进行动物面部区域提取包括：基于目标检测的深度神经网络yolo-9000自动标记图片中的动物面部区域；或使用标记工具labelImg标记图片中的动物面部区域。
7.根据权利要求1所述的方法，其特征在于，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：
将所述动物面部训练图像数据和标签值数据通过实时的数据增强后输入初始卷积神经网络，得到初始分类结果；
其中，所述实时的数据增强包括：图像旋转、随机改变对比度、随机改变亮度和随机修剪中至少一种。
8.一种动物面部识别装置，其特征在于，包括：
初始分类结果获取模块，用于将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；
收敛的神经网络模型训练模块，用于将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；
最终分类结果获取模块，用于将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；
其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811591828.3A CN110135231B (zh) | 2018-12-25 | 2018-12-25 | 动物面部识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811591828.3A CN110135231B (zh) | 2018-12-25 | 2018-12-25 | 动物面部识别方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110135231A true CN110135231A (zh) | 2019-08-16 |
| CN110135231B CN110135231B (zh) | 2021-05-28 |
Family
ID=67568386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811591828.3A Active CN110135231B (zh) | 2018-12-25 | 2018-12-25 | 动物面部识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110135231B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516615A (zh) * | 2019-08-29 | 2019-11-29 | 广西师范大学 | 基于卷积神经网络的人车分流控制方法 |
| CN111008561A (zh) * | 2019-10-31 | 2020-04-14 | 重庆小雨点小额贷款有限公司 | 一种牲畜的数量确定方法、终端及计算机存储介质 |
| CN111079851A (zh) * | 2019-12-27 | 2020-04-28 | 常熟理工学院 | 基于强化学习和双线性卷积网络的车型识别方法 |
| CN111832642A (zh) * | 2020-07-07 | 2020-10-27 | 杭州电子科技大学 | 一种基于vgg16在昆虫分类学上的图像识别方法 |
| CN112183332A (zh) * | 2020-09-28 | 2021-01-05 | 成都希盟泰克科技发展有限公司 | 一种基于迁移学习的牦牛脸识别方法 |
| CN112183669A (zh) * | 2020-11-04 | 2021-01-05 | 北京航天泰坦科技股份有限公司 | 图像分类方法和装置、设备及存储介质 |
| CN112183602A (zh) * | 2020-09-22 | 2021-01-05 | 天津大学 | 一种带有并行卷积块的多层特征融合细粒度图像分类方法 |
| CN112257608A (zh) * | 2020-10-23 | 2021-01-22 | 成都希盟泰克科技发展有限公司 | 一种牦牛养殖健康状态监测方法 |
| CN112561778A (zh) * | 2019-09-26 | 2021-03-26 | 北京字节跳动网络技术有限公司 | 图像风格化处理方法、装置、设备及存储介质 |
| CN112766292A (zh) * | 2019-11-04 | 2021-05-07 | 中移(上海)信息通信科技有限公司 | 身份认证的方法、装置、设备及存储介质 |
| CN113128529A (zh) * | 2019-12-30 | 2021-07-16 | 中移(成都)信息通信科技有限公司 | 牲畜身份识别模型训练方法、识别方法、系统及装置 |
| CN113435311A (zh) * | 2021-06-24 | 2021-09-24 | 平安国际智慧城市科技股份有限公司 | 动物识别方法、动物识别装置、计算机设备及存储介质 |
| CN113496233A (zh) * | 2020-03-19 | 2021-10-12 | 荷盛崧钜智财顾问股份有限公司 | 图像近似度分析系统 |
| CN113516140A (zh) * | 2020-05-07 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 图像处理、模型训练方法、系统及设备 |
| CN113780207A (zh) * | 2021-09-16 | 2021-12-10 | 中国农业科学院草原研究所 | 一种羊脸识别的系统及方法 |
| CN118365847A (zh) * | 2023-09-13 | 2024-07-19 | 张宇琦 | 虚拟电子耳标添加模型训练方法、耳标添加方法及装置 |
| CN118486054A (zh) * | 2024-07-12 | 2024-08-13 | 四川互慧软件有限公司 | 一种蛇种识别方法、蛇种识别神经网络训练方法及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104751465A (zh) * | 2015-03-31 | 2015-07-01 | 中国科学技术大学 | 一种基于lk光流约束的orb图像特征配准方法 |
| CN106096535A (zh) * | 2016-06-07 | 2016-11-09 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于双线性联合cnn的人脸验证方法 |
| CN108073876A (zh) * | 2016-11-14 | 2018-05-25 | 北京三星通信技术研究有限公司 | 面部解析设备和面部解析方法 |
| CN108108499A (zh) * | 2018-02-07 | 2018-06-01 | 腾讯科技（深圳）有限公司 | 人脸检索方法、装置、存储介质及设备 |
| CN108109198A (zh) * | 2017-12-18 | 2018-06-01 | 深圳市唯特视科技有限公司 | 一种基于级联回归的三维表情重建方法 |
| US10075731B2 (en) * | 2001-12-17 | 2018-09-11 | Microsoft Technology Licensing, Llc | Video coding / decoding with re-oriented transforms and sub-block transform sizes |
-
2018
- 2018-12-25 CN CN201811591828.3A patent/CN110135231B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10075731B2 (en) * | 2001-12-17 | 2018-09-11 | Microsoft Technology Licensing, Llc | Video coding / decoding with re-oriented transforms and sub-block transform sizes |
| CN104751465A (zh) * | 2015-03-31 | 2015-07-01 | 中国科学技术大学 | 一种基于lk光流约束的orb图像特征配准方法 |
| CN106096535A (zh) * | 2016-06-07 | 2016-11-09 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于双线性联合cnn的人脸验证方法 |
| CN108073876A (zh) * | 2016-11-14 | 2018-05-25 | 北京三星通信技术研究有限公司 | 面部解析设备和面部解析方法 |
| CN108109198A (zh) * | 2017-12-18 | 2018-06-01 | 深圳市唯特视科技有限公司 | 一种基于级联回归的三维表情重建方法 |
| CN108108499A (zh) * | 2018-02-07 | 2018-06-01 | 腾讯科技（深圳）有限公司 | 人脸检索方法、装置、存储介质及设备 |
Non-Patent Citations (2)
| Title |
|---|
| EVGENIYA USTINOVA ET AL.: ""Multi-region Bilinear Convolutional Neural Networks for Person Re-Identification"", 《ARXIV:1512.05300V5》 * |
| TSUNG-YU LIN ET AL.: ""Bilinear CNN Models for Fine-grained Visual Recognition"", 《ARXIV:1504.07889V2》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516615A (zh) * | 2019-08-29 | 2019-11-29 | 广西师范大学 | 基于卷积神经网络的人车分流控制方法 |
| CN110516615B (zh) * | 2019-08-29 | 2022-04-08 | 广西师范大学 | 基于卷积神经网络的人车分流控制方法 |
| CN112561778A (zh) * | 2019-09-26 | 2021-03-26 | 北京字节跳动网络技术有限公司 | 图像风格化处理方法、装置、设备及存储介质 |
| CN111008561B (zh) * | 2019-10-31 | 2023-07-21 | 重庆小雨点小额贷款有限公司 | 一种牲畜的数量确定方法、终端及计算机存储介质 |
| CN111008561A (zh) * | 2019-10-31 | 2020-04-14 | 重庆小雨点小额贷款有限公司 | 一种牲畜的数量确定方法、终端及计算机存储介质 |
| CN112766292A (zh) * | 2019-11-04 | 2021-05-07 | 中移(上海)信息通信科技有限公司 | 身份认证的方法、装置、设备及存储介质 |
| CN111079851B (zh) * | 2019-12-27 | 2020-09-18 | 常熟理工学院 | 基于强化学习和双线性卷积网络的车型识别方法 |
| CN111079851A (zh) * | 2019-12-27 | 2020-04-28 | 常熟理工学院 | 基于强化学习和双线性卷积网络的车型识别方法 |
| CN113128529A (zh) * | 2019-12-30 | 2021-07-16 | 中移(成都)信息通信科技有限公司 | 牲畜身份识别模型训练方法、识别方法、系统及装置 |
| CN113496233A (zh) * | 2020-03-19 | 2021-10-12 | 荷盛崧钜智财顾问股份有限公司 | 图像近似度分析系统 |
| CN113516140A (zh) * | 2020-05-07 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 图像处理、模型训练方法、系统及设备 |
| CN111832642A (zh) * | 2020-07-07 | 2020-10-27 | 杭州电子科技大学 | 一种基于vgg16在昆虫分类学上的图像识别方法 |
| CN112183602A (zh) * | 2020-09-22 | 2021-01-05 | 天津大学 | 一种带有并行卷积块的多层特征融合细粒度图像分类方法 |
| CN112183602B (zh) * | 2020-09-22 | 2022-08-26 | 天津大学 | 一种带有并行卷积块的多层特征融合细粒度图像分类方法 |
| CN112183332A (zh) * | 2020-09-28 | 2021-01-05 | 成都希盟泰克科技发展有限公司 | 一种基于迁移学习的牦牛脸识别方法 |
| CN112257608A (zh) * | 2020-10-23 | 2021-01-22 | 成都希盟泰克科技发展有限公司 | 一种牦牛养殖健康状态监测方法 |
| CN112183669A (zh) * | 2020-11-04 | 2021-01-05 | 北京航天泰坦科技股份有限公司 | 图像分类方法和装置、设备及存储介质 |
| CN112183669B (zh) * | 2020-11-04 | 2024-02-13 | 航天科工(北京)空间信息应用股份有限公司 | 图像分类方法和装置、设备及存储介质 |
| CN113435311A (zh) * | 2021-06-24 | 2021-09-24 | 平安国际智慧城市科技股份有限公司 | 动物识别方法、动物识别装置、计算机设备及存储介质 |
| CN113435311B (zh) * | 2021-06-24 | 2023-11-28 | 平安国际智慧城市科技股份有限公司 | 动物识别方法、动物识别装置、计算机设备及存储介质 |
| CN113780207A (zh) * | 2021-09-16 | 2021-12-10 | 中国农业科学院草原研究所 | 一种羊脸识别的系统及方法 |
| CN118365847A (zh) * | 2023-09-13 | 2024-07-19 | 张宇琦 | 虚拟电子耳标添加模型训练方法、耳标添加方法及装置 |
| CN118486054A (zh) * | 2024-07-12 | 2024-08-13 | 四川互慧软件有限公司 | 一种蛇种识别方法、蛇种识别神经网络训练方法及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110135231B (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135231B (zh) | 动物面部识别方法、装置、计算机设备和存储介质 | |
| JP6843086B2 (ja) | 画像処理システム、画像においてマルチラベル意味エッジ検出を行う方法、および、非一時的コンピューター可読記憶媒体 | |
| WO2018121690A1 (zh) | 对象属性检测、神经网络训练、区域检测方法和装置 | |
| US11270124B1 (en) | Temporal bottleneck attention architecture for video action recognition | |
| CN106778902B (zh) | 基于深度卷积神经网络的奶牛个体识别方法 | |
| US20190065817A1 (en) | Method and system for detection and classification of cells using convolutional neural networks | |
| CN111783576A (zh) | 基于改进型YOLOv3网络和特征融合的行人重识别方法 | |
| CN114549470B (zh) | 基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法 | |
| CN113435355A (zh) | 多目标奶牛身份识别方法及系统 | |
| CN112991280A (zh) | 视觉检测方法、系统及电子设备 | |
| CN113052091A (zh) | 一种基于卷积神经网络的动作识别方法 | |
| He et al. | What catches the eye? Visualizing and understanding deep saliency models | |
| CN114626476A (zh) | 基于Transformer与部件特征融合的鸟类细粒度图像识别方法及装置 | |
| Xingshi et al. | Light-weight recognition network for dairy cows based on the fusion of YOLOv5s and channel pruning algorithm. | |
| CN113177554A (zh) | 甲状腺结节识别与分割方法、系统、存储介质及设备 | |
| Xu et al. | Boosting cattle face recognition under uncontrolled scenes by embedding enhancement and optimization | |
| Duraiswami et al. | Cattle breed detection and categorization using image processing and machine learning | |
| CN112991281A (zh) | 视觉检测方法、系统、电子设备及介质 | |
| CN112215066A (zh) | 家畜脸部图像识别方法及装置 | |
| CN110363240B (zh) | 一种医学影像分类方法与系统 | |
| CN111079617A (zh) | 家禽识别方法、装置、可读存储介质及电子设备 | |
| CN114743224B (zh) | 一种基于计算机视觉的畜牧业家畜体温监控方法与系统 | |
| Gao et al. | UD-YOLOv5s: Recognition of cattle regurgitation behavior based on upper and lower jaw skeleton feature extraction | |
| Ivashchuk et al. | Neural network methods for the detection of farm animals in dense dynamic groups on images | |
| Ruchay et al. | Cattle Face Recognition Using Deep Transfer Learning Techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |