CN110837818A - 一种基于卷积神经网路的中华白海豚背鳍识别方法 - Google Patents
一种基于卷积神经网路的中华白海豚背鳍识别方法 Download PDFInfo
- Publication number
- CN110837818A CN110837818A CN201911128813.8A CN201911128813A CN110837818A CN 110837818 A CN110837818 A CN 110837818A CN 201911128813 A CN201911128813 A CN 201911128813A CN 110837818 A CN110837818 A CN 110837818A
- Authority
- CN
- China
- Prior art keywords
- dorsal fin
- neural network
- convolutional neural
- dorsal
- image
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的中华白海豚背鳍识别方法,所述方法包括:构建带有位置框和识别标签的中华白海豚背鳍图像库,并划分为训练样本和测试样本;训练一个用于定位背鳍区域的卷积神经网络;分别训练用于识别背鳍左右侧、背鳍图像质量和背鳍所属个体的三个卷积神经网络;通过用于定位的卷积神经网络定位出测试样本中图像的背鳍区域;通过三个用于识别的卷积神经网络分别识别背鳍区域,并输出背鳍左右侧、背鳍图像质量和背鳍所属个体的识别结果。本发明充分利用卷积神经网络的特征学习能力,可以高效准确地实现对中华白海豚背鳍的自动化识别,有助于海洋生物学家分析中华白海豚的个体习性和种群特性。
Description
技术领域
本发明涉及图像处理技术领域,更具体地,涉及一种基于卷积神经网络的中华白海豚背鳍识别方法。
背景技术
中华白海豚是一个栖息在东南亚东部的沿海物种。近年来,由于沿海开发和交通加重,以及过度捕捞、海水污染等因素,中华白海豚的数量急剧减少。目前,中华白海豚已成为一个濒危物种,需要人类进行大力保护。通常在保护过程中,为追踪观察中华白海豚的生长过程,常常需要对出现在沿海领域的中华白海豚进行识别和统计分析。
传统的识别中华白海豚的方法是在其身上植入标签,但是这种方式需要对中华白海豚进行抓捕,而且植入标签是侵入式的方式,会对中华白海豚造成伤害。相比之下,通过图像识别中华白海豚属于非侵入的方式,而且研究者无需直接接触中华白海豚,因此,这种方式被大多数研究者所接受。他们利用图像中中华白海豚背鳍上随时间变化较小的特征,如背鳍的轮廓、背鳍的斑点和背鳍上的缺刻印记,来持续几年地跟踪同一个个体的生长情况。目前大多数利用图像识别中华白海豚的工作仍然依靠人工完成,包括三步:定位背鳍区域,识别背鳍图像质量和识别背鳍所属个体。这种方式耗时耗力,难以及时处理调查时拍摄的大量图像,而且人工处理存在主观因素,不同团队处理的结果不一致,难以整合。
目前没有针对中华白海豚的自动化的图像识别方法。类似的针对大白鲨背鳍、海豚背鳍或鲸鱼尾鳍的自动化图像识别方法只是基于鳍的轮廓进行识别,而且实验的种群个体数较少。利用这些方法识别中华白海豚背鳍存在以下缺点:忽略了背鳍的斑点所包含的个体特征信息,识别个体数较多的种群时准确率偏低。
发明内容
本发明提供一种基于卷积神经网络的中华白海豚背鳍识别方法,以处理在自然环境下拍摄的中华白海豚背鳍图像,提高背鳍识别的效率和准确率。
为解决上述技术问题,本发明的技术方案如下:
一种基于卷积神经网络的中华白海豚背鳍识别方法,包括以下步骤:
S1:构建带有位置框和识别标签的中华白海豚背鳍图像库,其中位置框标记背鳍在图像中的位置,将中华白海豚背鳍图像库划分为训练样本和测试样本;
S2:利用训练样本分别训练用于定位背鳍区域的第一卷积神经网络、用于识别背鳍左右侧的第二卷积神经网络、用于识别背鳍图像质量的第三卷积神经网络和用于识别背鳍所属个体的第四卷积神经网络;
S3:利用第一卷积神经网络对测试样本的图像背鳍区域进行定位;
S4:利用第二卷积神经网络、第三卷积神经网络和第四卷积神经网络分别识别S3中识别出的背鳍区域,输出背鳍左右侧、背鳍图像质量和背鳍所属个体的识别结果。
优选地,步骤S1中构建带有位置框和识别标签的中华白海豚背鳍图像库中,位置框和识别标签的构建原则具体为:
A1:若图像中的背鳍只有前端或后端可见,则不标记该背鳍的位置框,只标记侧面可见的背鳍;
A2:若图像中的背鳍被遮挡,则不标记该背鳍的位置框,只标记特征可辨别的背鳍;
A3:背鳍图像质量根据背鳍图像清晰度、背鳍角度和背鳍被遮挡程度,按照人为经验从高到低划分为四个图像质量等级;
A4:同一个中华白海豚个体的左侧和右侧背鳍,划分为同一个个体类别。
优选地,步骤S1中将中华白海豚背鳍图像库划分为训练样本和测试样本具体为:
图像库按照图像拍摄时间先后排序,前70%的图像划分为训练样本,剩余图像划分为测试样本。
优选地,步骤S2中用于定位背鳍区域的第一卷积神经网络采用Faster-RCNN目标检测算法,其中的骨干网络采用ResNet101,损失函数采用二分类交叉熵损失与平滑L1损失的和,并采用Momentum优化方法,通过不断降低损失函数的函数值来学习得到第一卷积神经网络的参数。
优选地,第二卷积神经网络、第三卷积神经网络和第四卷积神经网络分别采用Inception-V4和Inception-ResNet-V2中的任意一种,并采用多分类交叉熵损失函数和RMSprop优化方法,通过不断降低损失函数的函数值来学习得到卷积神经网络的参数。
优选地,步骤S2中训练用于识别背鳍所属个体的第四卷积神经网络时,对训练样本里的图像数量较少的个体进行随机过采样,减少类别不均衡的影响。
优选地,步骤S2中训练用于识别背鳍左右侧的第二卷积神经网络、用于识别背鳍图像质量的第三卷积神经网络和用于识别背鳍所属个体的第四卷积神经网络时,利用S1中的位置框对背鳍区域进行裁剪,将裁剪得到的背鳍区域图像作为训练样本的训练图像。
优选地,S4中利用第二卷积神经网络、第三卷积神经网络和第四卷积神经网络分别识别S3中识别出的背鳍区域时,利用步骤S3得到背鳍区域定位对背鳍区域进行裁剪,裁剪得到的背鳍区域图像作为测试输入图像。
优选地,步骤S4中,输出的结果为图像质量等级最高的背鳍图像的背鳍左右侧和背鳍所属个体。
与现有技术相比,本发明技术方案的有益效果是:
1)本发明在定位背鳍区域的过程中采用了Faster-RCNN目标检测算法,相比先提取背鳍轮廓再作分类的方法,训练测试的过程都是端对端的,效率更高,定位准确率更高。
2)本发明识别背鳍的过程基于卷积神经网络,相比大多数只利用背鳍轮廓特征来识别的方法,能够综合考虑背鳍的轮廓特征、斑点特征和缺刻印记特征,识别准确率更高。
附图说明
图1为本发明的方法流程图。
图2为实施例中带人工标记位置框的中华白海豚背鳍图像。
图3为实施例中从低到高划分的四个背鳍图像质量等级的示意图。
图4为实施例中多个个体的背鳍左侧及右侧的示意图
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种基于卷积神经网络的中华白海豚背鳍识别方法,如图1,包括以下步骤:
S1:构建带有位置框和识别标签的中华白海豚背鳍图像库,其中位置框标记背鳍在图像中的位置,将中华白海豚背鳍图像库划分为训练样本和测试样本;
S2:利用训练样本分别训练用于定位背鳍区域的第一卷积神经网络、用于识别背鳍左右侧的第二卷积神经网络、用于识别背鳍图像质量的第三卷积神经网络和用于识别背鳍所属个体的第四卷积神经网络;
S3:利用第一卷积神经网络对测试样本的图像背鳍区域进行定位;
S4:利用第二卷积神经网络、第三卷积神经网络和第四卷积神经网络分别识别S3中识别出的背鳍区域,输出背鳍左右侧、背鳍图像质量和背鳍所属个体的识别结果。
步骤S1中构建带有位置框和识别标签的中华白海豚背鳍图像库中,位置框和识别标签的构建原则具体为:
A1:若图像中的背鳍只有前端或后端可见,则不标记该背鳍的位置框,只标记侧面可见的背鳍;
A2:若图像中的背鳍被遮挡,则不标记该背鳍的位置框,只标记特征可辨别的背鳍;
A3:背鳍图像质量根据背鳍图像清晰度、背鳍角度和背鳍被遮挡程度,按照人为经验从高到低划分为四个图像质量等级;
A4:同一个中华白海豚个体的左侧和右侧背鳍,划分为同一个个体类别。
步骤S1中将中华白海豚背鳍图像库划分为训练样本和测试样本具体为:
图像库按照图像拍摄时间先后排序,前70%的图像划分为训练样本,剩余图像划分为测试样本。
步骤S2中用于定位背鳍区域的第一卷积神经网络采用Faster-RCNN目标检测算法,其中的骨干网络采用ResNet101,损失函数采用二分类交叉熵损失与平滑L1损失的和,并采用Momentum优化方法,通过不断降低损失函数的函数值来学习得到第一卷积神经网络的参数。
第一卷积神经网络的输入时训练样本图像以及对应的人工标记的背鳍位置框,输入图像的尺寸统一缩放到1024*600;训练时使用的ResNet101骨干网络为经MSCOCO数据集预训练的骨干网络;
损失函数是二分类交叉熵损失与平滑L1损失的和,定义为:
其中,L为损失函数,i表示卷积神经网络中第i个锚点,Lcls()为二分类交叉熵损失函数,Lreg()为平滑L1损失函数;Ncls为挑选出来的锚点数量,λ为Lcls()和Lreg()的权重,Nreg为特征图的尺寸,pi为第i个锚点预测为背鳍区域的概率,Pi *为第i个锚点真实情况下是否为背鳍区域,如果锚点的真实区域为背鳍则Pi *为1,否则Pi *为0;ti为第i个锚点预测的位置框的坐标,ti *为位置框的真实坐标;在本实施例中Nreg取为2400,λ取为10,Ncls取为256;
为了优化损失函数在更新中存在摆动幅度过大的问题,并且加快函数的收敛速度,卷积神经网络的训练使用了Momentum优化方法,定义为:
Wt=Wt-1+Vt
第二卷积神经网络、第三卷积神经网络和第四卷积神经网络分别采用Inception-V4和Inception-ResNet-V2中的任意一种,并采用多分类交叉熵损失函数和RMSprop优化方法,通过不断降低损失函数的函数值来学习得到卷积神经网络的参数,第二卷积神经网络、第三卷积神经网络和第三卷积神经网络的输入图像是训练样本图像的背鳍区域的对应的识别标签,输入图像的尺寸统一缩放到299*299,训练时使用的Inception-V4或Inception-ResNet-V2为经ImageNet数据集预训练的骨干网络;
卷积神经网络通过不断降低损失函数的函数值来学习得到卷积神经网络的参数,其中,采用多分类交叉熵损失函数,具体为:
L(p,q)=-∑plogq
其中p为真实值,q为预测概率,q(y)i为Softmax函数,y为卷积神经网络输出,n为卷积神经网络输出的个数,假设神经网络的输出为y1,y2,…,yn,yi为卷积神经网络的第i个输出值。
为了优化损失函数在更新中存在摆动幅度过大的问题,并且加快函数的收敛速度,卷积神经网络的训练使用了RMSprop优化方法,假设在第t轮迭代过程中,各个公式具体为:
St=βSt-1+(1-β)(dWt-1)2
其中,Wt-1为卷积神经网络在第t-1轮的权重,Wt为第t轮的权重,dWt-1为第t-1轮的权重的微分,St-1为损失函数在前t-1轮迭代过程中累积的梯度动量,St为损失函数在前t轮迭代过程中累积的梯度动量,β为梯度累积的一个指数,α为学习率取0.001,为了防止分母为零,使用了一个很小的数值ε,一般取10-8。
步骤S2中训练用于识别背鳍所属个体的第四卷积神经网络时,对训练样本里的图像数量较少的个体进行随机过采样,减少类别不均衡的影响。
步骤S2中训练用于识别背鳍左右侧的第二卷积神经网络、用于识别背鳍图像质量的第三卷积神经网络和用于识别背鳍所属个体的第四卷积神经网络时,利用S1中的位置框对背鳍区域进行裁剪,将裁剪得到的背鳍区域图像作为训练样本的训练图像。
步骤S3中经过步骤S2训练好的用于定位的第一卷积神经网络,得到多个背鳍区域的预测位置框及其预测置信度,其中置信度的范围在0-1,只保留置信度大于0.5的预测位置框,使用预测得到的背鳍位置框对测试图像中的背鳍区域进行裁剪,得到背鳍区域图像作为后续测试的输入图像;
S4中利用第二卷积神经网络、第三卷积神经网络和第四卷积神经网络分别识别S3中识别出的背鳍区域时,利用步骤S3得到背鳍区域定位对背鳍区域进行裁剪,裁剪得到的背鳍区域图像作为测试输入图像。
步骤S4中,输出的结果为图像质量等级最高的背鳍图像的背鳍左右侧和背鳍所属个体,具体为:
分别经过步骤S2中所述的第二卷积神经网络、第三卷积神经网络和第四卷积神经网络,每一个卷积神经网络都会输出该背鳍区域属于各类别的置信度,该背鳍区域属于各类别的置信度的和为1,取置信度最高的类别为识别结果;
得到背鳍左右侧、背鳍图像质量和背鳍所属个体的识别结果后,根据背鳍图像质量排除图像质量较低的背鳍,输出的结果为图像质量等级最高的背鳍图像的背鳍左右侧和背鳍所属个体。
在具体实施过程中,由海洋生物学家使用专业的数码相机和长焦镜头拍摄的中华白海豚的图像,拍摄于中国南部沿海区域,包括两个区域,共53513张图像。其中拍摄于区域A的图像共有37297张,图像分辨率为5472*3648,带有人工标记位置框的背鳍共有43824个,共包括140个中华白海豚个体。其中拍摄于区域B的图像共有16216张,图像分辨率从1936*1288到5472*3648不等,带有人工标记位置框的背鳍共有20338个,共包括20个中华白海豚个体。
图像中的背鳍若只有前端或后端可见或者被严重遮挡,则不标记该背鳍的位置框,每张图像包含的带有位置框的背鳍数量从1个到5个不等,如图2,其展示了带人工标记位置框的中华白海豚背鳍图像。每个带有位置框的背鳍都带有人工标记的左右侧标签,图像质量标签和个体标签。其中,背鳍图像质量根据背鳍图像清晰度、背鳍角度和背鳍被遮挡程度,从低到高划分为四个图像质量等级,分别是“低于60分”、“60到70分”、“70到80分”、“80到100分”,请参阅图3,其展示了从低到高划分的四个背鳍图像质量等级。同一个中华白海豚个体的左侧和右侧背鳍,被划分为同一个个体类别,请参阅图4,其展示了多个个体的背鳍左侧及右侧图像。
本实施例利用上述中华白海豚背鳍图像库的训练样本训练卷积神经网络,并在测试样本上测试,测试结果为:定位背鳍区域的准确率(mAP)为0.972,识别背鳍左右侧的准确率为0.97,识别背鳍图像质量的准确率为0.687,识别背鳍所属个体的准确率为0.806,其中,识别图像质量为“80到100分”的背鳍的准确率为0.881;对一张图像执行以上所有测试步骤,使用GPU硬件,平均需要约1.5秒。
从最终的结果显示,利用本发明能够有效地进行中华白海豚背鳍识别,提高海洋生物学家的工作效率。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种基于卷积神经网络的中华白海豚背鳍识别方法,其特征在于,包括以下步骤:
S1:构建带有位置框和识别标签的中华白海豚背鳍图像库,其中位置框标记背鳍在图像中的位置,将中华白海豚背鳍图像库划分为训练样本和测试样本;
S2:利用训练样本分别训练用于定位背鳍区域的第一卷积神经网络、用于识别背鳍左右侧的第二卷积神经网络、用于识别背鳍图像质量的第三卷积神经网络和用于识别背鳍所属个体的第四卷积神经网络;
S3:利用第一卷积神经网络对测试样本的图像背鳍区域进行定位;
S4:利用第二卷积神经网络、第三卷积神经网络和第四卷积神经网络分别识别S3中识别出的背鳍区域,输出背鳍左右侧、背鳍图像质量和背鳍所属个体的识别结果。
2.根据权利要求1所述的基于卷积神经网络的中华白海豚背鳍识别方法,其特征在于,步骤S1中构建带有位置框和识别标签的中华白海豚背鳍图像库中,位置框和识别标签的构建原则具体为:
A1:若图像中的背鳍只有前端或后端可见,则不标记该背鳍的位置框,只标记侧面可见的背鳍;
A2:若图像中的背鳍被遮挡,则不标记该背鳍的位置框,只标记特征可辨别的背鳍;
A3:背鳍图像质量根据背鳍图像清晰度、背鳍角度和背鳍被遮挡程度,按照人为经验从高到低划分为四个图像质量等级;
A4:同一个中华白海豚个体的左侧和右侧背鳍,划分为同一个个体类别。
3.根据权利要求1所述的基于卷积神经网络的中华白海豚背鳍识别方法,其特征在于,步骤S1中将中华白海豚背鳍图像库划分为训练样本和测试样本具体为:
图像库按照图像拍摄时间先后排序,前70%的图像划分为训练样本,剩余图像划分为测试样本。
4.根据权利要求1所述的基于卷积神经网路的中华白海豚背鳍识别方法,其特征在于,步骤S2中用于定位背鳍区域的第一卷积神经网络采用Faster-RCNN目标检测算法,其中的骨干网络采用ResNet101,损失函数采用二分类交叉熵损失与平滑L1损失的和,并采用Momentum优化方法,通过不断降低损失函数的函数值来学习得到第一卷积神经网络的参数。
5.根据权利要求1所述的基于卷积神经网络的中华白海豚背鳍识别方法,其特征在于,第二卷积神经网络、第三卷积神经网络和第三卷积神经网络分别采用Inception-V4和Inception-ResNet-V2中的任意一种,并采用多分类交叉熵损失函数和RMSprop优化方法,通过不断降低损失函数的函数值来学习得到卷积神经网络的参数。
6.根据权利要求5所述的基于卷积神经网络的中华白海豚背鳍识别方法,其特征在于,步骤S2中训练用于识别背鳍所属个体的第四卷积神经网络时,对训练样本里的图像数量较少的个体进行随机过采样。
7.根据权利要求5所述的基于卷积神经网络的中华白海豚背鳍识别方法,其特征在于,步骤S2中训练用于识别背鳍左右侧的第二卷积神经网络、用于识别背鳍图像质量的第三卷积神经网络和用于识别背鳍所属个体的第四卷积神经网络时,利用S1中的位置框对背鳍区域进行裁剪,将裁剪得到的背鳍区域图像作为训练样本的训练图像。
8.根据权利要求1所述的基于卷积神经网路的中华白海豚背鳍识别方法,其特征在于,S4中利用第二卷积神经网络、第三卷积神经网络和第四卷积神经网络分别识别S3中识别出的背鳍区域时,利用步骤S3得到背鳍区域定位对背鳍区域进行裁剪,裁剪得到的背鳍区域图像作为测试输入图像。
9.根据权利要求2至8任一项所述的基于卷积神经网路的中华白海豚背鳍识别方法,其特征在于,步骤S4中,输出的结果为图像质量等级最高的背鳍图像的背鳍左右侧和背鳍所属个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128813.8A CN110837818A (zh) | 2019-11-18 | 2019-11-18 | 一种基于卷积神经网路的中华白海豚背鳍识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128813.8A CN110837818A (zh) | 2019-11-18 | 2019-11-18 | 一种基于卷积神经网路的中华白海豚背鳍识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110837818A true CN110837818A (zh) | 2020-02-25 |
Family
ID=69576670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911128813.8A Pending CN110837818A (zh) | 2019-11-18 | 2019-11-18 | 一种基于卷积神经网路的中华白海豚背鳍识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110837818A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101488A (zh) * | 2020-11-18 | 2020-12-18 | 北京沃东天骏信息技术有限公司 | 机器学习模型的训练方法、训练装置及存储介质 |
CN112731522A (zh) * | 2020-12-14 | 2021-04-30 | 中国地质大学(武汉) | 地震地层智能识别方法、装置、设备及存储介质 |
CN113743208A (zh) * | 2021-07-30 | 2021-12-03 | 南方海洋科学与工程广东省实验室(广州) | 一种基于无人机阵列的中华白海豚数量统计方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446925A (zh) * | 2016-07-07 | 2017-02-22 | 哈尔滨工程大学 | 一种基于图像处理的海豚身份识别的方法 |
CN107679250A (zh) * | 2017-11-01 | 2018-02-09 | 浙江工业大学 | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 |
CN108205661A (zh) * | 2017-12-27 | 2018-06-26 | 浩云科技股份有限公司 | 一种基于深度学习的atm机异常人脸检测方法 |
CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
CN109117781A (zh) * | 2018-08-07 | 2019-01-01 | 北京飞搜科技有限公司 | 多属性识别模型的建立方法、装置及多属性识别方法 |
CN109241880A (zh) * | 2018-08-22 | 2019-01-18 | 北京旷视科技有限公司 | 图像处理方法、图像处理装置、计算机可读存储介质 |
JP2019028484A (ja) * | 2017-07-25 | 2019-02-21 | 日本電信電話株式会社 | 属性識別装置、属性識別モデル学習装置、方法、及びプログラム |
CN109376765A (zh) * | 2018-09-14 | 2019-02-22 | 汕头大学 | 一种基于深度学习的蝴蝶自动分类方法 |
US20190180144A1 (en) * | 2017-12-07 | 2019-06-13 | Imra Europe S.A.S. | Danger ranking using end to end deep neural network |
CN110046617A (zh) * | 2019-03-15 | 2019-07-23 | 西安交通大学 | 一种基于深度学习的数字电表读数自适应识别方法 |
CN110083723A (zh) * | 2019-04-24 | 2019-08-02 | 成都大熊猫繁育研究基地 | 一种小熊猫个体识别方法、设备及计算机可读存储介质 |
-
2019
- 2019-11-18 CN CN201911128813.8A patent/CN110837818A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446925A (zh) * | 2016-07-07 | 2017-02-22 | 哈尔滨工程大学 | 一种基于图像处理的海豚身份识别的方法 |
JP2019028484A (ja) * | 2017-07-25 | 2019-02-21 | 日本電信電話株式会社 | 属性識別装置、属性識別モデル学習装置、方法、及びプログラム |
CN107679250A (zh) * | 2017-11-01 | 2018-02-09 | 浙江工业大学 | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 |
US20190180144A1 (en) * | 2017-12-07 | 2019-06-13 | Imra Europe S.A.S. | Danger ranking using end to end deep neural network |
CN108205661A (zh) * | 2017-12-27 | 2018-06-26 | 浩云科技股份有限公司 | 一种基于深度学习的atm机异常人脸检测方法 |
CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
CN109117781A (zh) * | 2018-08-07 | 2019-01-01 | 北京飞搜科技有限公司 | 多属性识别模型的建立方法、装置及多属性识别方法 |
CN109241880A (zh) * | 2018-08-22 | 2019-01-18 | 北京旷视科技有限公司 | 图像处理方法、图像处理装置、计算机可读存储介质 |
CN109376765A (zh) * | 2018-09-14 | 2019-02-22 | 汕头大学 | 一种基于深度学习的蝴蝶自动分类方法 |
CN110046617A (zh) * | 2019-03-15 | 2019-07-23 | 西安交通大学 | 一种基于深度学习的数字电表读数自适应识别方法 |
CN110083723A (zh) * | 2019-04-24 | 2019-08-02 | 成都大熊猫繁育研究基地 | 一种小熊猫个体识别方法、设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
D´EBORA POLLICELLI ET AL: "Wild Cetacea Identification using Image Metadata", 《JOURNAL OF COMPUTER SCIENCE & TECHNOLOGY》 * |
王要武: "《建筑系统工程学 第2版》", 30 April 2008, 中国建筑工业出版社 * |
赵婷婷: "基于深度学习模型的金钱豹个体识别研究与实现", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101488A (zh) * | 2020-11-18 | 2020-12-18 | 北京沃东天骏信息技术有限公司 | 机器学习模型的训练方法、训练装置及存储介质 |
CN112101488B (zh) * | 2020-11-18 | 2021-06-25 | 北京沃东天骏信息技术有限公司 | 机器学习模型的训练方法、训练装置及存储介质 |
CN112731522A (zh) * | 2020-12-14 | 2021-04-30 | 中国地质大学(武汉) | 地震地层智能识别方法、装置、设备及存储介质 |
CN113743208A (zh) * | 2021-07-30 | 2021-12-03 | 南方海洋科学与工程广东省实验室(广州) | 一种基于无人机阵列的中华白海豚数量统计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259930B (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
CN107316307B (zh) | 一种基于深度卷积神经网络的中医舌图像自动分割方法 | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN110633745B (zh) | 一种基于人工智能的图像分类训练方法、装置及存储介质 | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
Moallem et al. | Optimal threshold computing in automatic image thresholding using adaptive particle swarm optimization | |
CN111652317B (zh) | 基于贝叶斯深度学习的超参数图像分割方法 | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN110837818A (zh) | 一种基于卷积神经网路的中华白海豚背鳍识别方法 | |
CN112734775A (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
US20210383149A1 (en) | Method for identifying individuals of oplegnathus punctatus based on convolutional neural network | |
CN109242826B (zh) | 基于目标检测的移动设备端签状物根数计数方法及系统 | |
CN111783819B (zh) | 小规模数据集上基于感兴趣区域训练改进的目标检测方法 | |
CN113011357A (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
CN111833322B (zh) | 一种基于改进YOLOv3的垃圾多目标检测方法 | |
CN109359576B (zh) | 一种基于图像局部特征识别的动物数量估计方法 | |
CN110008853A (zh) | 行人检测网络及模型训练方法、检测方法、介质、设备 | |
CN109815814A (zh) | 一种基于卷积神经网络的人脸检测方法 | |
CN111340019A (zh) | 基于Faster R-CNN的粮仓害虫检测方法 | |
CN113111979A (zh) | 模型训练方法、图像检测方法及检测装置 | |
CN114998603A (zh) | 一种基于深度多尺度特征因子融合的水下目标检测方法 | |
CN112926652A (zh) | 一种基于深度学习的鱼类细粒度图像识别方法 | |
CN114863263B (zh) | 基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法 | |
CN116977633A (zh) | 地物要素分割模型训练方法、地物要素分割方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200225 |