CN111046858A - 一种基于图像的动物物种细分类方法、系统及介质 - Google Patents

一种基于图像的动物物种细分类方法、系统及介质 Download PDF

Info

Publication number
CN111046858A
CN111046858A CN202010189744.8A CN202010189744A CN111046858A CN 111046858 A CN111046858 A CN 111046858A CN 202010189744 A CN202010189744 A CN 202010189744A CN 111046858 A CN111046858 A CN 111046858A
Authority
CN
China
Prior art keywords
animal
species
image
convolutional neural
neural network
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
Application number
CN202010189744.8A
Other languages
English (en)
Other versions
CN111046858B (zh
Inventor
陈鹏
候蓉
赵启军
刘宁
刘鹏
陈玉祥
杨琬婧
张志和
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING
Sichuan University
Original Assignee
CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING, Sichuan University filed Critical CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING
Priority to CN202010189744.8A priority Critical patent/CN111046858B/zh
Publication of CN111046858A publication Critical patent/CN111046858A/zh
Application granted granted Critical
Publication of CN111046858B publication Critical patent/CN111046858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像的动物物种细分类方法、系统及介质，包括：获取动物待分类图像；利用卷积神经网络定位所述图像中含有动物的目标区域，并进行动物物种粗分类得到动物所属物种；判断动物所属物种是否为已知物种；若否，则判定动物为新物种；若是，则将含有动物的目标区域的图像输入细分类网络模型中识别出动物的具体类别；判断动物的具体类别是否为已知类别；若是，则输出动物的类别；若否，则判定动物为新物种。该方法利用计算机对待分类图像进行自动识别和分析判断动物属于已知物种或新物种，提高数据采集和分析的效率，大大减轻人工工作量。并且不会动动物身体造成伤害，有利于辅助野生动物的调查和研究。

Description

一种基于图像的动物物种细分类方法、系统及介质
技术领域
本发明涉及计算机应用技术领域，具体涉及一种基于图像的动物物种细分分类方法、系统及介质。
背景技术
目前生物界所用的生物分类法一共分为八个等级，分别为域（Domain）、界（Kingdom）、门（Phylum）、纲（Class）、目（Order）、科（Family）、属（Genus）、种（Species）。其中物种是指生物界发展的连续性与间断性统一的基本间断形式，在有性生物中，物种呈现为统一的繁殖群体，由占有一定空间，具有实际或潜在繁殖能力的种群所组成，而且与其他这样的群体在生殖上是隔离的。目前在生物学界对动物主要采用的分类方法主要分为宏观和微观两个方面，在宏观方面比如有基于动物的形态、生殖隔离、生活习性、生态要求等作为分类的依据，在微观方面比如有基于染色体的数目、蛋白质的结构、DNA、RNA等作为分类的依据。
然而这些方法需要从事相关方面的工作人员具备非常专业的技术背景知识。宏观方面的方法相对主观，经验性较强，而微观方面的方法相对繁琐复杂，耗时较长。比如：在野生动物的调查和研究中，需要利用无人机航拍或者摄像机拍照去调查一片区域内动物的种类，在这个过程中由于会产生大量的视频和图片数据，如果利用人工去识别，这项工作将非常繁琐且复杂。
发明内容
针对现有技术中的缺陷，本发明实施例提供的一种基于图像的动物物种细分类方法、系统及介质，根据动物图像中的体貌特征自动判别动物的物种类别，提高数据分析的效率，减少人工工作量。
第一方面，本发明实施例提供的一种基于图像的动物物种细分类方法，包括：
获取动物待分类图像；
利用卷积神经网络定位所述图像中含有动物的目标区域，并进行动物物种粗分类得到动物所属物种；
判断动物所属物种是否为已知物种；
若否，则判定动物为新物种；
若是，则将含有动物的目标区域的图像输入细分类网络模型中识别出动物的具体类别；
判断动物的具体类别是否为已知类别；
若是，则输出动物的类别；
若否，则判定动物为新物种。
第二方面，本发明实施例提供的一种基于图像的动物物种细分类系统，包括获取模块、物种粗分类模块、物种判断模块和类别细分类模块，
所述获取模块用于获取动物待分类图像；
所述物种粗分类模块利用卷积神经网络定位所述图像中含有动物的目标区域，并进行动物物种粗分类分析得到动物所属物种；
所述物种判断模块用于根据物种粗分类模块得到的动物所属物种判断是否为已知物种，若否，则为新物种，若是，则将含有动物的目标区域的图像发送给类别细分类模块进行分析；
所述类别细分类模块用于将含有动物的目标区域的输入图像细分类网络模型中识别出动物的具体类别；
所述物种判断模块还用于判断类别细分类模块得到的动物具体类别是否为已知类别，若是，则输出动物的类别，若否，则判定动物为新物种。
第三方面，本发明实施例提供的一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法步骤。
本发明的有益效果：
本发明实施例提供的一种基于图像的动物物种细分类方法、系统及介质，利用计算机对待分类图像进行自动识别和分析判断动物属于已知物种或新物种，提高数据采集和分析的效率，大大减轻人工工作量。并且不会动动物身体造成伤害，有利于辅助野生动物的调查和研究。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明第一实施例所提供的一种基于图像的动物物种细分类方法的流程图；
图2示出了本发明第一实施例中动物粗分类示意图；
图3示出了本发明第一实施例中的动物细分类结构示意图；
图4示出了本发明第二实施例所提供的一种基于图像的动物物种细分类系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当... 时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
图1示出了本发明第一实施例所提供的一种基于图像的动物物种细分类方法的流程图，该方法包括：
S1:获取动物待分类图像。
S2:利用卷积神经网络定位所述图像中含有动物的目标区域，并进行动物物种粗分类得到动物所属物种。
S3:判断动物所属物种是否为已知物种。
S4:若否，则判定动物为新物种。
S5:若是，则将含有动物的目标区域的图像输入细分类网络模型中识别出动物的具体类别。
S6:判断动物的具体类别是否为已知类别。
S7:若是，则输出动物的类别。
S4:若否，则判定动物为新物种。
在给定一幅图像（图像中可以包含多只不同的动物），利用卷积神经网络定位图像中的动物的区域，并进行动物物种的粗分类，得到动物所属物种。此阶段按“科”进行动物物种分类，例如：牛科、犬科、马科、猫科、猴科、兔科、熊科等C个已知物种类别，C为自然数。
如图2所示，卷积神经网络输出一系列的向量
Figure 949444DEST_PATH_IMAGE001
，m，n均为自然数，每个向量Dm代表一个区域且包含（C+5）个值，（C+5）值为
Figure 770955DEST_PATH_IMAGE003
，其中x和y表示该区域在原图像上的左上角坐标，w1和h1表示该区域的长和宽，
Figure 166165DEST_PATH_IMAGE004
表示该区域含有动物的置信度，C表示动物属于某科的类别，Pm表示该区域是第
Figure 170417DEST_PATH_IMAGE005
个类别动物的概率，w1、h1均为自然数，0<a<1、0<Pm<1。通过设定一个阈值t，0<t<1，若向量Dm中的置信度
Figure 197596DEST_PATH_IMAGE004
大于阈值t，则表明该区域含有动物。对所有满足Pm大于t的区域进行非最大值抑制处理，最终得到一个或多个仅含一只动物的图像区域，且区域中动物的类别为最大概率所对应的物种，即
Figure 396496DEST_PATH_IMAGE007
。
通过上述步骤S1和步骤S2，实现根据动物物种的粗分类可以判断出动物数据某科。通过步骤S5~步骤S7,实现对动物物种的细分类，识别动物的具体类别。例如，根据动物粗分类得到猴子属于“猴”科，将含有猴子区域的图像输入细分类网络模型中，识别出这只猴子的具体类别，如：金丝猴、黑叶猴、短尾猴、白头叶猴、熊猴等等。
将含有动物的目标区域的图像输入细分类网络模型中识别出动物的具体类别的方法包括：将含有动物的目标区域的图像输入训练好的细分类网络模型中，输出特征图S；将特征图S分别输入训练好的A分支卷积神经网络和B分支卷积神经网络，A分支卷积神经网络和B分支卷积神经网络分别得到相应的热力图
Figure 252326DEST_PATH_IMAGE008
和
Figure 245690DEST_PATH_IMAGE009
；将A分支卷积神经网络的热力图
Figure 19DEST_PATH_IMAGE008
和B分支卷积神经网络的热力图
Figure 674714DEST_PATH_IMAGE009
进行相加，将相加得到的结果通过GAP层得到向量Y；对所述向量Y进行非最大值抑制处理，最大概率所对应的类别为识别出的动物类别。
具体地，如图3所示，示出本发明第一实施例中细分类网络模型的结构示意图，基础网络Backbone选取ResNet-50网络结构，去除其最后的GAP（Global Average Pooling）层和全连接层。将物种粗分类得到的含有动物的目标区域图像进行预处理，预处理的步骤包括：将图片缩放到相同大小，比如
Figure 198099DEST_PATH_IMAGE010
，然后按通道进行归一化处理。将预处理后的图片输入到基础网络后，输出得到
Figure 814894DEST_PATH_IMAGE011
张
Figure 56520DEST_PATH_IMAGE012
的特征图
Figure 331643DEST_PATH_IMAGE013
，K为自然数，W为特征图的宽度，H为特征图的高度。
将特征图
Figure 912797DEST_PATH_IMAGE014
分别送入A分支卷积神经网络和B分支卷积神经网络(通常为2到3个卷积层)，这两个分支卷积神经网络主要用于抽取不同的判别性特征。A分支卷积神经网络可以得到
Figure 247964DEST_PATH_IMAGE015
张
Figure 163836DEST_PATH_IMAGE016
的特征图
Figure 180333DEST_PATH_IMAGE017
,其经过GAP层可以得到的相应的特征向量
Figure 678311DEST_PATH_IMAGE018
。B分支卷积神经网络也可以得到
Figure 633979DEST_PATH_IMAGE015
张
Figure 584617DEST_PATH_IMAGE016
的特征图
Figure 404806DEST_PATH_IMAGE019
,其经过GAP层也可以得到相应的
Figure 757290DEST_PATH_IMAGE018
，其中，k为自然数，w为分支卷积神经网络输出的特征图的宽度，h为分支卷积神经网络输出的特征图的宽度。
为了使得卷积神经网络抽取到的特征更具判别性，将
Figure 886788DEST_PATH_IMAGE020
和
Figure 324723DEST_PATH_IMAGE021
分别接入TripletLoss损失函数, 具体公式如下所示：
基于欧氏距离：
Figure 683023DEST_PATH_IMAGE022
，
基于余弦距离：
Figure 155593DEST_PATH_IMAGE023
，
其中，
Figure 269042DEST_PATH_IMAGE024
表示第
Figure 381224DEST_PATH_IMAGE025
个
Figure 605532DEST_PATH_IMAGE026
的卷积核,wi表示第
Figure 604712DEST_PATH_IMAGE027
个
Figure 889063DEST_PATH_IMAGE026
的卷积核,
Figure 301589DEST_PATH_IMAGE027
表示样本的类别为第
Figure 516539DEST_PATH_IMAGE027
类，
Figure 698121DEST_PATH_IMAGE028
表示向量乘积。
设定一个已知动物物种的类别为p，将A分支卷积神经网络的特征图
Figure 825477DEST_PATH_IMAGE029
通过第一卷积核，第一卷积核为p个
Figure 915181DEST_PATH_IMAGE026
的卷积核，得到
Figure 481291DEST_PATH_IMAGE030
张
Figure 720643DEST_PATH_IMAGE016
的热力图
Figure 81217DEST_PATH_IMAGE031
；
假设输入图片的类别属于第i类，从A分支卷积神经网络的热力图
Figure 655287DEST_PATH_IMAGE008
中抽取第
Figure 962771DEST_PATH_IMAGE027
张热力图
Figure 853367DEST_PATH_IMAGE032
；对该热力图进行negative操作，得到相应的
Figure 650422DEST_PATH_IMAGE033
；对该热力图进行negative操作即
Figure 446208DEST_PATH_IMAGE034
，即可得到相应的
Figure 619700DEST_PATH_IMAGE033
。其中归一化的公式如下所示：
Figure 630382DEST_PATH_IMAGE035
。
将B分支卷积神经网络的特征图
Figure 536021DEST_PATH_IMAGE036
通过第二卷积核，所述第二卷积核为
Figure 632153DEST_PATH_IMAGE037
个
Figure 530708DEST_PATH_IMAGE026
的卷积核，得到
Figure 395895DEST_PATH_IMAGE030
张
Figure 534753DEST_PATH_IMAGE016
的热力图，将B分支卷积神经网络的热力图
Figure 55864DEST_PATH_IMAGE009
中的第
Figure 489601DEST_PATH_IMAGE027
张热力图
Figure 474874DEST_PATH_IMAGE038
乘以
Figure 784633DEST_PATH_IMAGE039
；通过这样的操作来保证A分支与B分支学习到的判别性特征是不一样的。
最后，将A分支的热力图
Figure 793040DEST_PATH_IMAGE008
通过GAP层后会分别得到一个p维的向量
Figure 846447DEST_PATH_IMAGE040
，
Figure 873177DEST_PATH_IMAGE041
，同时将B分支的热力图
Figure 353837DEST_PATH_IMAGE009
通过GAP层后会分别得到一个p维的向量
Figure 646278DEST_PATH_IMAGE042
，
Figure 441059DEST_PATH_IMAGE043
，分别将
Figure 135346DEST_PATH_IMAGE040
和
Figure 973858DEST_PATH_IMAGE042
接入Softmax Loss损失函数，然后分别将
Figure 19174DEST_PATH_IMAGE040
和
Figure 414383DEST_PATH_IMAGE042
接入Softmax Loss损失函数对细分类网络模型训练，其中Softmax Loss的具体公式如下所示：
Figure 900859DEST_PATH_IMAGE044
，
其中，
Figure 988901DEST_PATH_IMAGE027
表示样本的类别为第
Figure 442885DEST_PATH_IMAGE027
类。
将YA、YB进行相加操作再通过GAP层得到向量
Figure 641785DEST_PATH_IMAGE045
，对该向量Y进行非最大值抑制处理，即计算
Figure 45085DEST_PATH_IMAGE046
来预测输入动物图片的具体类别，也就是最大概率所对应的动物类别为识别出动物类别。
本实施例提供的基于图像的动物物种细分类方法，利用计算机对待分类图像进行自动识别和分析判断动物属于已知物种或新物种，提高数据采集和分析的效率，大大减轻人工工作量。并且不会动动物身体造成伤害，有利于辅助野生动物的调查和研究。
在上述的第一实施例中，提供了一种基于图像的动物物种细分类方法，与之相对应的，本申请还提供一种基于图像的动物物种细分类系统。请参考图4，其为本发明第二实施例提供的一种基于图像的动物物种细分类系统的示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
本发明第二实施例提供的基于图像的动物物种细分类系统，包括获取模块、物种粗分类模块、物种判断模块和类别细分类模块，
所述获取模块用于获取动物待分类图像；
所述物种粗分类模块利用卷积神经网络定位所述图像中含有动物的目标区域，并进行动物物种粗分类分析得到动物所属物种；
所述物种判断模块用于根据物种粗分类模块得到的动物所属物种判断是否为已知物种，若否，则为新物种，若是，则将含有动物的目标区域的图像发送给类别细分类模块进行分析；
所述类别细分类模块用于将含有动物的目标区域的输入图像细分类网络模型中识别出动物的具体类别；
所述物种判断模块还用于判断类别细分类模块得到的动物具体类别是否为已知类别，若是，则输出动物的类别，若否，则判定动物为新物种。
在本发明的第二实施例中，物种粗分类模块利用卷积神经网络定位所述图像中含有动物的目标区域，并进行动物物种粗分类得到动物所属物种具体分析方法包括：设定已知动物物种种类为C个，C为自然数；
将待分类图像输入卷积神经网络，输出多个向量
Figure 241711DEST_PATH_IMAGE047
，m，n均为自然数，，每个向量Dm代表一个区域且包含（C+5）个值，（C+5）值为
Figure 922932DEST_PATH_IMAGE003
，其中，x和y表示该区域在原图像上的左上角坐标，w1和h1表示该区域的长和宽，a表示该区域含有动物的置信度，C表示动物属于已知物种中的一个物种，Pm表示该区域是第
Figure 446318DEST_PATH_IMAGE048
个物种动物的概率，w1、h1均为自然数，0<a<1、0<Pm<1；
设定阈值t，0<t<1，若向量Dm中的置信度
Figure 876162DEST_PATH_IMAGE049
大于阈值t，则表明该区域含有动物；
对所有Pm大于t的区域进行非最大值抑制处理，得到一个或多个仅含一只动物的图像区域，且目标区域中动物的类别为最大概率所对应的物种。
在本发明第二实施例中，类别细分类模块将含有动物的目标区域的图像输入细分类网络模型中识别出动物的具体类别的方法包括：
将含有动物的目标区域的图像输入训练好的细分类网络模型中，输出特征图S；
将特征图S分别输入训练好的A分支卷积神经网络和B分支卷积神经网络，A分支卷积神经网络和B分支卷积神经网络分别得到相应的热力图
Figure 789891DEST_PATH_IMAGE008
和
Figure 330594DEST_PATH_IMAGE009
；
将A分支卷积神经网络的热力图
Figure 974065DEST_PATH_IMAGE008
和B分支卷积神经网络的热力图
Figure 496182DEST_PATH_IMAGE009
进行相加，将相加得到的结果通过GAP层得到向量
Figure 225104DEST_PATH_IMAGE045
；
对
Figure 241601DEST_PATH_IMAGE045
进行非最大值抑制处理，最大概率所对应的类别为识别出的动物类别。
在本发明第二实施例中，类别细分类模块还包括训练模块，
所述训练模块用于将每一个已知动物物种的图片进行预处理；
将预处理后的图片输入基础网络模型中，输出
Figure 739579DEST_PATH_IMAGE011
张
Figure 245646DEST_PATH_IMAGE012
的特征图
Figure 648815DEST_PATH_IMAGE013
，K为自然数，W为特征图的宽度，H为特征图的高度；
将特征图S分别输入A分支卷积神经网络和B分支卷积神经网络中，
从A分支卷积神经网络输出
Figure 531320DEST_PATH_IMAGE015
张
Figure 821487DEST_PATH_IMAGE016
的特征图
Figure 764035DEST_PATH_IMAGE017
，再经过GAP层得到相应的特征向量
Figure 388921DEST_PATH_IMAGE018
；
从B分支卷积神经网络输出
Figure 809538DEST_PATH_IMAGE015
张
Figure 282107DEST_PATH_IMAGE016
的特征图
Figure 67661DEST_PATH_IMAGE019
，再经过GAP层也可以得到相应的特征向量
Figure 992891DEST_PATH_IMAGE050
；
其中，k为自然数，w为分支卷积神经网络输出的特征图的宽度，h为分支卷积神经网络输出的特征图的宽度；
将
Figure 401220DEST_PATH_IMAGE020
和
Figure 728296DEST_PATH_IMAGE021
分别接入Triplet Loss损失函数。
设定一个已知动物物种的类别为p，将所述特征图
Figure 12647DEST_PATH_IMAGE029
通过第一卷积核，第一卷积核为p个
Figure 362857DEST_PATH_IMAGE026
的卷积核，得到p张
Figure 125277DEST_PATH_IMAGE016
的热力图
Figure 306859DEST_PATH_IMAGE031
；假设输入图片的类别属于第i类，从A分支卷积神经网络的热力图
Figure 949062DEST_PATH_IMAGE008
中抽取第
Figure 848885DEST_PATH_IMAGE027
张热力图
Figure 352679DEST_PATH_IMAGE032
；
对所述热力图进行negative操作，得到相应的
Figure 388768DEST_PATH_IMAGE033
；
将所述特征图
Figure 14921DEST_PATH_IMAGE036
通过第二卷积核，所述第二卷积核为
Figure 588991DEST_PATH_IMAGE037
个
Figure 693213DEST_PATH_IMAGE026
的卷积核，得到p张
Figure 787071DEST_PATH_IMAGE016
的热力图，将B分支卷积神经网络的热力图
Figure 584126DEST_PATH_IMAGE009
中的第
Figure 192962DEST_PATH_IMAGE027
张热力图
Figure 553405DEST_PATH_IMAGE038
乘以
Figure 564086DEST_PATH_IMAGE039
；
将A分支卷积神经网络的热力图
Figure 469725DEST_PATH_IMAGE008
通过GAP层后会分别得到一个p维的向量
Figure 565857DEST_PATH_IMAGE040
，
Figure 11882DEST_PATH_IMAGE041
，同时将B分支的热力图
Figure 332529DEST_PATH_IMAGE009
通过GAP层后会分别得到一个p维的向量
Figure 471387DEST_PATH_IMAGE042
，
Figure 992498DEST_PATH_IMAGE043
，分别将
Figure 242214DEST_PATH_IMAGE040
和
Figure 227487DEST_PATH_IMAGE042
接入Softmax Loss损失函数对细分类网络模型训练。
本发明第二实施例提供的一种基于图像的动物物种细分类系统，利用计算机对待分类图像进行自动识别和分析判断动物属于已知物种或新物种，提高数据采集和分析的效率，大大减轻人工工作量。并且不会动动物身体造成伤害，有利于辅助野生动物的调查和研究。
在本发明还提供一种计算机可读存储介质的实施例，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
所述计算机可读存储介质可以是前述实施例所述的终端的内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种基于图像的动物物种细分类方法，其特征在于，包括：
获取动物待分类图像；
利用卷积神经网络定位所述图像中含有动物的目标区域，并进行动物物种粗分类得到动物所属物种；
判断动物所属物种是否为已知物种；
若否，则判定动物为新物种；
若是，则将含有动物的目标区域的图像输入细分类网络模型中识别出动物的具体类别；
判断动物的具体类别是否为已知类别；
若是，则输出动物的类别；
若否，则判定动物为新物种。
2.如权利要求1所述的基于图像的动物物种细分类方法，其特征在于，所述利用卷积神经网络定位所述图像中含有动物的目标区域，并进行动物物种粗分类得到动物所属物种的具体方法包括：
设定已知动物物种种类为C个，C为自然数；
将待分类图像输入卷积神经网络，输出多个向量
Figure 401733DEST_PATH_IMAGE001
，m，n均为自然数，每个向量Dm代表一个区域且包含（C+5）个值，（C+5）值为
Figure 791443DEST_PATH_IMAGE003
，其中，x和y表示该区域在原图像上的左上角坐标，w1和h1表示该区域的长和宽，a表示该区域含有动物的置信度，
Figure 896802DEST_PATH_IMAGE004
表示动物属于已知物种中的一个物种，Pm表示该区域是第
Figure 643041DEST_PATH_IMAGE005
个物种动物的概率，w1、h1均为自然数，0<a<1、0<Pm<1；
设定阈值t，0<t<1，若向量Dm中的置信度
Figure 201061DEST_PATH_IMAGE006
大于阈值t，则表明该区域含有动物；
对所有Pm大于t的区域进行非最大值抑制处理，得到一个或多个仅含一只动物的图像区域，且目标区域中动物的类别为最大概率所对应的物种。
3.如权利要求1所述的基于图像的动物物种细分类方法，其特征在于，将含有动物的目标区域的图像输入细分类网络模型中识别出动物的具体类别的方法包括：
将含有动物的目标区域的图像输入训练好的细分类网络模型中，输出特征图S；
将特征图S分别输入训练好的A分支卷积神经网络和B分支卷积神经网络，A分支卷积神经网络和B分支卷积神经网络分别得到相应的热力图
Figure 74471DEST_PATH_IMAGE007
和
Figure 768757DEST_PATH_IMAGE008
；
将A分支卷积神经网络的热力图
Figure 685897DEST_PATH_IMAGE007
和B分支卷积神经网络的热力图
Figure 996793DEST_PATH_IMAGE008
进行相加，将相加得到的结果通过GAP层得到向量Y；
对所述向量Y进行非最大值抑制处理，最大概率所对应的类别为识别出的动物类别。
4.如权利要求3所述的基于图像的动物物种细分类方法，其特征在于，在所述将含有动物的目标区域的图像输入训练好的细分类网络模型中的步骤之前还包括对细分类网络模型进行训练，训练的方法包括：将每一个已知动物物种的图片进行预处理；
将预处理后的图片输入基础网络模型中，输出
Figure 657582DEST_PATH_IMAGE009
张
Figure 471954DEST_PATH_IMAGE010
的特征图
Figure 559996DEST_PATH_IMAGE011
，K为自然数，W为特征图的宽度，H为特征图的高度；
将特征图S分别输入A分支卷积神经网络和B分支卷积神经网络中，
从A分支卷积神经网络输出
Figure 92608DEST_PATH_IMAGE012
张
Figure 291508DEST_PATH_IMAGE013
的特征图
Figure 225966DEST_PATH_IMAGE014
，再经过GAP层得到相应的特征向量
Figure 501221DEST_PATH_IMAGE015
；
从B分支卷积神经网络输出k张
Figure 255550DEST_PATH_IMAGE013
的特征图
Figure 258141DEST_PATH_IMAGE016
，再经过GAP层也可以得到相应的特征向量
Figure 47106DEST_PATH_IMAGE017
；
其中，k为自然数，w为分支卷积神经网络输出的特征图的宽度，h为分支卷积神经网络输出的特征图的宽度；
将所述
Figure 476950DEST_PATH_IMAGE018
和
Figure 984155DEST_PATH_IMAGE019
分别接入Triplet Loss损失函数；
设定一个已知动物物种的类别为p，将所述特征图
Figure 790437DEST_PATH_IMAGE020
通过第一卷积核，第一卷积核为p个
Figure 433908DEST_PATH_IMAGE021
的卷积核，得到
Figure 34653DEST_PATH_IMAGE022
张
Figure 763575DEST_PATH_IMAGE013
的热力图
Figure 124280DEST_PATH_IMAGE023
；
假设输入图片的类别属于第i类，从A分支卷积神经网络的热力图
Figure 887837DEST_PATH_IMAGE007
中抽取第
Figure 659484DEST_PATH_IMAGE024
张热力图
Figure 141281DEST_PATH_IMAGE025
；
对所述热力图进行negative操作，得到相应的
Figure 289365DEST_PATH_IMAGE026
；
将所述特征图
Figure 907428DEST_PATH_IMAGE027
通过第二卷积核，所述第二卷积核为
Figure 584397DEST_PATH_IMAGE022
个
Figure 287911DEST_PATH_IMAGE021
的卷积核，得到
Figure 239687DEST_PATH_IMAGE022
张
Figure 471778DEST_PATH_IMAGE013
的热力图，将B分支卷积神经网络的热力图
Figure 850807DEST_PATH_IMAGE008
中的第
Figure 776037DEST_PATH_IMAGE024
张热力图
Figure 265924DEST_PATH_IMAGE028
乘以
Figure 858580DEST_PATH_IMAGE029
；
将A分支卷积神经网络的热力图
Figure 408510DEST_PATH_IMAGE007
通过GAP层后会分别得到一个p维的向量
Figure 821037DEST_PATH_IMAGE030
，
Figure 380194DEST_PATH_IMAGE031
，同时将B分支的热力图
Figure 578088DEST_PATH_IMAGE008
通过GAP层后会分别得到一个p维的向量
Figure 298920DEST_PATH_IMAGE032
，
Figure 464322DEST_PATH_IMAGE033
，分别将
Figure 30432DEST_PATH_IMAGE030
和
Figure 332101DEST_PATH_IMAGE032
接入Softmax Loss损失函数对细分类网络模型训练。
5.如权利要求4所述的基于图像的动物物种细分类方法，其特征在于，
所述基础网络模型为Backbone。
6.一种基于图像的动物物种细分类系统，其特征在于，包括获取模块、物种粗分类模块、物种判断模块和类别细分类模块，
所述获取模块用于获取动物待分类图像；
所述物种粗分类模块利用卷积神经网络定位所述图像中含有动物的目标区域，并进行动物物种粗分类分析得到动物所属物种；
所述物种判断模块用于根据物种粗分类模块得到的动物所属物种判断是否为已知物种，若否，则为新物种，若是，则将含有动物的目标区域的图像发送给类别细分类模块进行分析；
所述类别细分类模块用于将含有动物的目标区域的输入图像细分类网络模型中识别出动物的具体类别；
所述物种判断模块还用于判断类别细分类模块得到的动物具体类别是否为已知类别，若是，则输出动物的类别，若否，则判定动物为新物种。
7.如权利要求6所述的基于图像的动物物种细分类系统，其特征在于，所述物种粗分类模块利用卷积神经网络定位所述图像中含有动物的目标区域，并进行动物物种粗分类得到动物所属物种具体分析方法包括：设定已知动物物种种类为C个；
将待分类图像输入卷积神经网络，输出多个向量
Figure 223833DEST_PATH_IMAGE034
，m，n均为自然数，每个向量Dm代表一个区域且包含（C+5）个值，（C+5）值为
Figure 246333DEST_PATH_IMAGE035
，其中，x和y表示该区域在原图像上的左上角坐标，w1和h1表示该区域的长和宽，a表示该区域含有动物的置信度，C表示动物属于已知物种中的一个物种，Pm表示该区域是第
Figure 668087DEST_PATH_IMAGE005
个物种动物的概率，w1、h1均为自然数，0<a<1、0<Pm<1；
设定阈值t，0<t<1,若向量Dm中的置信度
Figure 465142DEST_PATH_IMAGE006
大于阈值t，则表明该区域含有动物；
对所有Pm大于t的区域进行非最大值抑制处理，得到一个或多个仅含一只动物的图像区域，且区域中动物的类别为最大概率所对应的物种。
8.如权利要求6所述的基于图像的动物物种细分类系统，其特征在于，所述类别细分类模块将含有动物的目标区域的图像输入细分类网络模型中识别出动物的具体类别的方法包括：
将含有动物的目标区域的图像输入训练好的细分类网络模型中，输出特征图S；
将特征图S分别输入训练好的A分支卷积神经网络和B分支卷积神经网络，A分支卷积神经网络和B分支卷积神经网络分别得到相应的热力图
Figure 90289DEST_PATH_IMAGE007
和
Figure 263782DEST_PATH_IMAGE008
；
将A分支卷积神经网络的热力图
Figure 540042DEST_PATH_IMAGE007
和B分支卷积神经网络的热力图
Figure 773577DEST_PATH_IMAGE008
进行相加，将相加得到的结果通过GAP层得到向量
Figure 869709DEST_PATH_IMAGE036
；
对
Figure 846893DEST_PATH_IMAGE036
进行非最大值抑制处理，最大概率所对应的类别为识别出的动物类别。
9.如权利要求8所述的基于图像的动物物种细分类系统，其特征在于，所述类别细分类模块还包括训练模块，
将预处理后的图片输入基础网络模型中，输出
Figure 243239DEST_PATH_IMAGE009
张
Figure 647675DEST_PATH_IMAGE010
的特征图
Figure 231103DEST_PATH_IMAGE011
，K为自然数，W为特征图的宽度，H为特征图的高度；
将特征图S分别输入A分支卷积神经网络和B分支卷积神经网络中，
从A分支卷积神经网络输出
Figure 762710DEST_PATH_IMAGE012
张
Figure 747984DEST_PATH_IMAGE013
的特征图
Figure 323321DEST_PATH_IMAGE014
，再经过GAP层得到相应的特征向量
Figure 394046DEST_PATH_IMAGE015
；
从B分支卷积神经网络输出k张
Figure 713032DEST_PATH_IMAGE013
的特征图
Figure 818391DEST_PATH_IMAGE016
，再经过GAP层也可以得到相应的特征向量
Figure 299051DEST_PATH_IMAGE017
；
其中，k为自然数，w为分支卷积神经网络输出的特征图的宽度，h为分支卷积神经网络输出的特征图的宽度；
将所述
Figure 122650DEST_PATH_IMAGE018
和
Figure 979748DEST_PATH_IMAGE019
分别接入Triplet Loss损失函数；
设定一个已知动物物种的类别为p，将所述特征图
Figure 205193DEST_PATH_IMAGE020
通过第一卷积核，第一卷积核为p个
Figure 870136DEST_PATH_IMAGE021
的卷积核，得到
Figure 649873DEST_PATH_IMAGE022
张
Figure 310662DEST_PATH_IMAGE013
的热力图
Figure 390613DEST_PATH_IMAGE023
；
假设输入图片的类别属于第i类，从A分支卷积神经网络的热力图
Figure 478655DEST_PATH_IMAGE007
中抽取第
Figure 11267DEST_PATH_IMAGE024
张热力图
Figure 210167DEST_PATH_IMAGE025
；
对所述热力图进行negative操作，得到相应的
Figure 144625DEST_PATH_IMAGE026
；
将所述特征图
Figure 403568DEST_PATH_IMAGE027
通过第二卷积核，所述第二卷积核为
Figure 423477DEST_PATH_IMAGE022
个
Figure 442380DEST_PATH_IMAGE021
的卷积核，得到
Figure 231344DEST_PATH_IMAGE022
张
Figure 661188DEST_PATH_IMAGE013
的热力图，将B分支卷积神经网络的热力图
Figure 902814DEST_PATH_IMAGE008
中的第
Figure 709096DEST_PATH_IMAGE024
张热力图
Figure 352567DEST_PATH_IMAGE028
乘以
Figure 218892DEST_PATH_IMAGE029
；
将A分支卷积神经网络的热力图
Figure 947813DEST_PATH_IMAGE007
通过GAP层后会分别得到一个p维的向量
Figure 557786DEST_PATH_IMAGE030
，
Figure 790184DEST_PATH_IMAGE031
，同时将B分支的热力图
Figure 578143DEST_PATH_IMAGE008
通过GAP层后会分别得到一个p维的向量
Figure 794361DEST_PATH_IMAGE032
，
Figure 942445DEST_PATH_IMAGE033
，分别将
Figure 560508DEST_PATH_IMAGE030
和
Figure 768636DEST_PATH_IMAGE032
接入Softmax Loss损失函数对细分类网络模型训练。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的方法步骤。
CN202010189744.8A 2020-03-18 2020-03-18 一种基于图像的动物物种细分类方法、系统及介质 Active CN111046858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010189744.8A CN111046858B (zh) 2020-03-18 2020-03-18 一种基于图像的动物物种细分类方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010189744.8A CN111046858B (zh) 2020-03-18 2020-03-18 一种基于图像的动物物种细分类方法、系统及介质

Publications (2)

Publication Number Publication Date
CN111046858A true CN111046858A (zh) 2020-04-21
CN111046858B CN111046858B (zh) 2020-09-08

Family

ID=70230827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010189744.8A Active CN111046858B (zh) 2020-03-18 2020-03-18 一种基于图像的动物物种细分类方法、系统及介质

Country Status (1)

Country Link
CN (1) CN111046858B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967527A (zh) * 2020-08-21 2020-11-20 菏泽学院 一种基于人工智能牡丹品种识别方法及识别系统
CN113657318A (zh) * 2021-08-23 2021-11-16 平安科技（深圳）有限公司 基于人工智能的宠物分类方法、装置、设备及存储介质
CN116704264A (zh) * 2023-07-12 2023-09-05 北京万里红科技有限公司 动物分类方法、分类模型训练方法、存储介质及电子设备
CN117077004A (zh) * 2023-08-18 2023-11-17 中国科学院华南植物园 物种鉴定方法、系统、设备及存储介质
CN117079195A (zh) * 2023-10-13 2023-11-17 中国科学技术大学 一种基于图像视频的野生动物识别方法和系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243390A (zh) * 2015-09-25 2016-01-13 河南科技学院 昆虫图像检测方法以及昆虫分类方法
CN106650662A (zh) * 2016-12-21 2017-05-10 北京旷视科技有限公司 目标对象遮挡检测方法及装置
CN108229474A (zh) * 2017-12-29 2018-06-29 北京旷视科技有限公司 车牌识别方法、装置及电子设备
CN108776807A (zh) * 2018-05-18 2018-11-09 复旦大学 一种基于可跳层双支神经网络的图像粗细粒度分类方法
CN108830150A (zh) * 2018-05-07 2018-11-16 山东师范大学 一种基于三维人体姿态估计方法及装置
CN108875811A (zh) * 2018-06-01 2018-11-23 平安科技（深圳）有限公司 动物种类的分类方法、装置、计算机设备和存储介质
CN108899087A (zh) * 2018-06-22 2018-11-27 中山仰视科技有限公司 基于深度学习的x光片智能诊断方法
CN109190540A (zh) * 2018-06-06 2019-01-11 腾讯科技（深圳）有限公司 活检区域预测方法、图像识别方法、装置和存储介质
CN109543627A (zh) * 2018-11-27 2019-03-29 西安电子科技大学 一种判断驾驶行为类别的方法、装置、及计算机设备
CN109670545A (zh) * 2018-12-13 2019-04-23 深源恒际科技有限公司 由粗到细的车辆图像定损方法
CN109753891A (zh) * 2018-12-19 2019-05-14 山东师范大学 基于人体关键点检测的足球运动员姿势校准方法及系统
CN110232348A (zh) * 2019-06-10 2019-09-13 腾讯科技（深圳）有限公司 行人属性识别方法、装置和计算机设备
CN110309888A (zh) * 2019-07-11 2019-10-08 南京邮电大学 一种基于分层多任务学习的图像分类方法与系统
CN110598790A (zh) * 2019-09-12 2019-12-20 北京达佳互联信息技术有限公司 一种图像的识别方法、装置、电子设备及存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243390A (zh) * 2015-09-25 2016-01-13 河南科技学院 昆虫图像检测方法以及昆虫分类方法
CN106650662A (zh) * 2016-12-21 2017-05-10 北京旷视科技有限公司 目标对象遮挡检测方法及装置
CN108229474A (zh) * 2017-12-29 2018-06-29 北京旷视科技有限公司 车牌识别方法、装置及电子设备
CN108830150A (zh) * 2018-05-07 2018-11-16 山东师范大学 一种基于三维人体姿态估计方法及装置
CN108776807A (zh) * 2018-05-18 2018-11-09 复旦大学 一种基于可跳层双支神经网络的图像粗细粒度分类方法
CN108875811A (zh) * 2018-06-01 2018-11-23 平安科技（深圳）有限公司 动物种类的分类方法、装置、计算机设备和存储介质
CN109190540A (zh) * 2018-06-06 2019-01-11 腾讯科技（深圳）有限公司 活检区域预测方法、图像识别方法、装置和存储介质
CN108899087A (zh) * 2018-06-22 2018-11-27 中山仰视科技有限公司 基于深度学习的x光片智能诊断方法
CN109543627A (zh) * 2018-11-27 2019-03-29 西安电子科技大学 一种判断驾驶行为类别的方法、装置、及计算机设备
CN109670545A (zh) * 2018-12-13 2019-04-23 深源恒际科技有限公司 由粗到细的车辆图像定损方法
CN109753891A (zh) * 2018-12-19 2019-05-14 山东师范大学 基于人体关键点检测的足球运动员姿势校准方法及系统
CN110232348A (zh) * 2019-06-10 2019-09-13 腾讯科技（深圳）有限公司 行人属性识别方法、装置和计算机设备
CN110309888A (zh) * 2019-07-11 2019-10-08 南京邮电大学 一种基于分层多任务学习的图像分类方法与系统
CN110598790A (zh) * 2019-09-12 2019-12-20 北京达佳互联信息技术有限公司 一种图像的识别方法、装置、电子设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
QIJUN ZHAO等: ""Coarse and Fine:A New Method for Gender Classification"", 《CHINESE CONFERENCE ON BIOMETRIC RECOGNITION》 *
WANG D等: ""Multiple granularity descriptors for fine-grained categorization"", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 *
周文萱等: ""基于YOLO的小型动物识别系统设计"", 《计算机时代》 *
麻峻玮: ""基于深度卷积神经网络的细粒度图像分类应用研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967527A (zh) * 2020-08-21 2020-11-20 菏泽学院 一种基于人工智能牡丹品种识别方法及识别系统
CN111967527B (zh) * 2020-08-21 2022-09-06 菏泽学院 一种基于人工智能牡丹品种识别方法及识别系统
CN113657318A (zh) * 2021-08-23 2021-11-16 平安科技（深圳）有限公司 基于人工智能的宠物分类方法、装置、设备及存储介质
CN113657318B (zh) * 2021-08-23 2024-05-07 平安科技（深圳）有限公司 基于人工智能的宠物分类方法、装置、设备及存储介质
CN116704264A (zh) * 2023-07-12 2023-09-05 北京万里红科技有限公司 动物分类方法、分类模型训练方法、存储介质及电子设备
CN116704264B (zh) * 2023-07-12 2024-01-30 北京万里红科技有限公司 动物分类方法、分类模型训练方法、存储介质及电子设备
CN117077004A (zh) * 2023-08-18 2023-11-17 中国科学院华南植物园 物种鉴定方法、系统、设备及存储介质
CN117077004B (zh) * 2023-08-18 2024-02-23 中国科学院华南植物园 物种鉴定方法、系统、设备及存储介质
CN117079195A (zh) * 2023-10-13 2023-11-17 中国科学技术大学 一种基于图像视频的野生动物识别方法和系统
CN117079195B (zh) * 2023-10-13 2024-02-23 中国科学技术大学 一种基于图像视频的野生动物识别方法和系统

Also Published As

Publication number Publication date
CN111046858B (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN111046858B (zh) 一种基于图像的动物物种细分类方法、系统及介质
CN108229509B (zh) 用于识别物体类别的方法及装置、电子设备
CN108830855B (zh) 一种基于多尺度低层特征融合的全卷积网络语义分割方法
CN112232241B (zh) 一种行人重识别方法、装置、电子设备和可读存储介质
CN113065558A (zh) 一种结合注意力机制的轻量级小目标检测方法
WO2021227366A1 (zh) 一种多个小目标的自动准确检测方法
CN109684922B (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN108921057B (zh) 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置
WO2019080203A1 (zh) 一种机器人的手势识别方法、系统及机器人
CN111340123A (zh) 一种基于深度卷积神经网络的图像分数标签预测方法
CN111428807A (zh) 图像处理方法及计算机可读存储介质
CN105956631A (zh) 一种面向电子图库的在线渐进式图像分类方法
CN109472733A (zh) 基于卷积神经网络的图像隐写分析方法
CN114998602A (zh) 基于低置信度样本对比损失的域适应学习方法及系统
CN110852263B (zh) 一种基于人工智能的手机拍照识别垃圾分类方法
CN111126169B (zh) 基于正交化的图正则非负矩阵分解的人脸识别方法及系统
CN112036520A (zh) 基于深度学习的大熊猫年龄识别方法、装置及存储介质
CN108052918A (zh) 一种笔迹比对系统及方法
CN114820435A (zh) 基于改进AlexNet的辣椒叶片病害检测方法
CN112070181B (zh) 一种基于图像流的协同检测方法及装置、存储介质
CN113780116A (zh) 发票分类方法、装置、计算机设备和存储介质
CN117152625A (zh) 一种基于CoordConv和YOLOv5的遥感小目标识别方法、系统、设备及介质
CN111163332A (zh) 视频色情度检测方法、终端及介质
CN113705647B (zh) 一种基于动态间隔的双重语义特征提取方法
CN113434912B (zh) 一种材料合规性校验方法及装置

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
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Chen Peng

Inventor after: Hou Rong

Inventor after: Zhao Qijun

Inventor after: Liu Ning

Inventor after: Liu Peng

Inventor after: Chen Yuxiang

Inventor after: Yang Wanjing

Inventor after: Zhang Zhihe

Inventor before: Chen Peng

Inventor before: Hou Rong

Inventor before: Zhao Qijun

Inventor before: Liu Ning

Inventor before: Liu Peng

Inventor before: Chen Yuxiang

Inventor before: Yang Wanjing

Inventor before: Zhang Zhihe

CB03 Change of inventor or designer information