CN113486713A - 一种红外相机动物图像识别训练集最佳组合的构建方法 - Google Patents
一种红外相机动物图像识别训练集最佳组合的构建方法 Download PDFInfo
- Publication number
- CN113486713A CN113486713A CN202110614474.5A CN202110614474A CN113486713A CN 113486713 A CN113486713 A CN 113486713A CN 202110614474 A CN202110614474 A CN 202110614474A CN 113486713 A CN113486713 A CN 113486713A
- Authority
- CN
- China
- Prior art keywords
- training set
- animal image
- infrared camera
- training
- constructing
- 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
- 238000012549 training Methods 0.000 title claims abstract description 104
- 241001465754 Metazoa Species 0.000 title claims abstract description 89
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 241000894007 species Species 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 230000033764 rhythmic process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000036544 posture Effects 0.000 claims 2
- 241000282317 Paguma larvata Species 0.000 description 11
- 241000271566 Aves Species 0.000 description 3
- 241001482564 Nyctereutes procyonoides Species 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000029553 photosynthesis Effects 0.000 description 3
- 238000010672 photosynthesis Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000422 nocturnal effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 241000287877 Lophura Species 0.000 description 1
- 241000287887 Lophura nycthemera Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于动物图像识别领域，具体涉及一种红外相机动物图像识别训练集最佳组合的构建方法，包括以下步骤：S1、建立红外相机动物图像库；S2、物种辨别与整理；S3、提取关键特征；S4、构建各个组合训练集；S5、模型训练：S6、模型测试与分析；S7、判定最佳组合。本发明创造性地以构建训练集最佳组合，提高训练集质量来精准提升单一物种的识别率，可为红外相机图像识别训练集优化提供一项重要手段。
Description
技术领域
本发明属于动物图像识别领域，具体涉及一种红外相机动物图像识别训练集最佳组合的构建方法。
背景技术
随着人工智能、机器学习先进技术的发展，以深度学习为代表的监督机器学习技术在图像识别、语音识别领域进行广泛研究与应用。其中，图像识别应用在人脸识别、车牌识别、动物识别领域，图像识别准确率影响着各类识别产品的应用效果，提升图像识别率的方法成为重点，其主要实现手段在于构建训练集进行模型训练得到高准确率的识别模型。由于模型算法逐步优化且成型，导致训练集质量成为识别率提升的重要因子。
红外相机是野生动物监测的重要监测设备，代替人在野外进行24小时不间断的动物监测工作，并获得触发拍摄后的各类图像如环境图、动物图。由于红外相机监的不间断性，积累了大量的影像数据。其中，红外相机动物图像可作为红外相机动物图像识别训练集，将训练集进行模型训练，可获得红外相机动物图像识别模型。因红外相机动物图像产生于野外环境，随着拍摄环境、动物物种差异及动物位置变化形成复杂的数据集，当直接将海量数据全部用于训练发现随着训练集量的增加，识别率增幅减弱，且可能出现识别出错的情况，成为动物图像识别率提升的瓶颈。
目前，提升识别率的方法聚焦在模型算法优化上如CN201811091554一种基于改进的卷积神经网络的鸟类识别方法以及CN201910327366基于多预置点的深度鸟类识别算法，尚未提出训练集的优化方法，为了突破训练集质量低而导致识别效果差的瓶颈，训练集质量提升方法成为迫切需求。
发明内容
为了解决训练集质量低而导致识别效果差的问题，本发明提供一种动物图像训练集内部组合优化方法，用于提升训练集质量来精准提高不同物种的识别率。
为实现上述目的，本发明采用的技术方案是提供一种红外相机动物图像识别训练集最佳组合的构建方法，包括以下步骤：
S1、建立红外相机动物图像库，红外相机动物图像库包括：家养动物图像库、野生动物图像库；
S2、物种辨别与整理：将步骤S1划分的家养动物图像库和野生动物图像库进一步区分，形成单独的物种数据集；
S3、提取关键特征：对步骤S2中物种数据集内的单一物种进行关键特征提取；
S4、构建各个组合训练集：根据各个物种关键特征、红外照片类型因素，调整训练集内照片的比例，搭配形成多种组合类型的数据集，并对数据集进行优化；
S5、模型训练：根据图像目标检测算法构建识别模型框架，将各个组合训练集分别导入进行训练；
S6、模型测试与分析：对训练完成的各个模型进行准确性测试；
S7、判定最佳组合：根据测试结果，选出最佳数据集。
进一步地，步骤S1中的红外相机动物图像库包括：步骤S1中的红外相机动物图像库包括：家养动物图像库、野生动物图像库，其中，家养动物图像库包括通过红外相机获取的白天和夜间环境下，家养动物的睡姿、卧姿、进食姿态、行走/飞行姿态、停驻姿态、鸣叫/吼叫姿态图像数据，野生动物图像库包括通过红外相机获取的的白天和夜间环境下，野生动物的睡姿、卧姿、进食姿态、行走/飞行姿态、停驻姿态、鸣叫/吼叫姿态图像数据，便于后续在加入新物种图片时进行种类划分，便于后续在加入新物种图片时进行种类划分。
进一步地，步骤S3中对步骤S2中物种数据集内的单一物种进行关键特征提取，提取的关键特征包括雌雄异形、活动节律，根据照片提取特征利于后续通过不同模型的训练。
进一步地，步骤S4中，根据各个物种关键特征、红外照片类型因素，调整训练集内可见光和红外照片、动物整体与局部照片、动物雌性与雄性照片的比例，搭配形成多种组合类型的数据集，多种类的图片利于模型培训，提高模型的识别率，不同类型的图片利于丰富数据集，提升不同条件下的模型识别率。
进一步地，步骤S4中，对数据集进行人工或自动化标注获得标签文件，进行Mosaic数据增强处理优化数据集，使其格式进行转换，形成多种训练集，标注的数据集用于模型对准确物种像素特征的判定。
进一步地，步骤S5中，对训练服务器进行环境搭建与配置，构建目标检测模型网络框架，以各个组合类型的训练集单独进行模型训练，得到多种模型，构建目标检测模型网络框架包括YOLO、R-CNN、SSD等，优选框架为YOLO或复合型框架。
进一步地，步骤S6中，用同一组的训练集外动物图像数据对步骤S5得出的多种模型进行模型测试，获取各个模型识别结果，分析对比各模型的识别成功率及准确率，模型识别结果包括物种名、置信度、预测框位置。
进一步地，步骤S7获取步骤S6分析所得识别成功率和准确率均最佳的训练集组合类型，并将其作为该物种训练数据的最佳组合方式，便于后续新模型的训练数据补充，提升训练集数据优化效率。
本发明可为红外相机动物图像识别训练集优化提供一种手段，并适用于红外相机监测到的各类动物如鸟类、兽类训练集优化，以提升训练集的质量的方式来精准提升单一物种的识别率。
与现有技术相比，本发明至少有如下优点：
1)本发明具有前瞻性，尝试突破了训练集质量低而导致识别效果差的瓶颈；
2)本发明区分不同物种差异，提取关键特征进行组合，并进行严格测试，可得到更科学的训练集组合方式；
3)本发明应用在红外相机图像识别领域，可降低无效图像处理的工作量，能够指导后续获取更多最佳组合相关的有效数据，构建更高质量的训练集来训练模型，逐步精准提升单一物种的识别率。
附图说明
图1是本发明的一种红外相机动物图像识别训练集最佳组合的构建方法的流程图；
图2是本发明红外相机动物图像库的结构图；
图3是白鹇训练集组合测试结果图；
图4是果子狸训练集组合测试结果图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
实施例1
如图1所示的一种红外相机动物图像识别训练集最佳组合的构建方法的流程图，其包括以下步骤：
S1、建立红外相机动物图像库：
红外相机动物图像库包括：家养动物图像库、野生动物图像库，其中，家养动物图像库包括通过红外相机获取的白天和夜间环境下，家养动物的睡姿、卧姿、进食姿态、行走姿态、停驻姿态、鸣叫姿态图像数据，野生动物图像库包括通过红外相机获取的的白天和夜间环境下，野生动物的睡姿、卧姿、进食姿态、行走姿态、停驻姿态、鸣叫姿态图像数据；
S2、物种辨别与整理：
将步骤S1划分的家养动物图像库和野生动物图像库进一步区分，形成单独的物种数据集；
S3、提取关键特征：
对步骤S2中物种数据集内的单一物种进行关键特征提取，提取的关键特征包括雌雄异形、活动节律；
S4、构建各个组合训练集：
根据各个物种关键特征、红外照片类型因素，调整训练集内可见光和红外照片、动物整体与局部照片、动物雌性与雄性照片的比例，搭配形成多种组合类型的数据集，对数据集进行人工或自动化标注获得标签文件，进行Mosaic数据增强处理优化数据集，使其格式进行转换，形成多种训练集；
S5、模型训练：
对训练服务器进行环境搭建与配置，构建目标检测模型网络框架，以各个组合类型的训练集单独进行模型训练，得到多种模型；
S6、模型测试与分析：
用同一组的训练集外动物图像数据对步骤S5得出的多种模型进行模型测试，获取各个模型识别结果如物种名、置信度、预测框位置，分析对比各模型的识别成功率及准确率；
S7、判定最佳组合：
获取步骤S6分析所得识别成功率和准确率均最佳的训练集组合类型，并将其作为该物种训练数据的最佳组合方式。
其中，Mosaic数据增强处理包括以下步骤：
S21：从数据集中每次随机读取四张图片；
S22：对读取的四张图片进行翻转、缩放和色域变化，并且按照四个方向位置摆放，以及对四张图片进行拼接，获得每一张图片中所需监测对象的边框数据；
S23：将四张图片拼接后得到一张新的图片，同时获取新图片所有监测对象的边框数据；
S24：进行图片的组合和边框的组合，以得到新的数据集。
红外高速相机作为中红外波段(1.2-4.8微米)的高速红外相机和高速线扫描相机，非常适合快速运动物体的快速瞬时热成像测量，它可以在1.2-4.8微米的波段范围内实现双带波长线扫描，它能够测量物体表面温度而不需要用户提供发射系数等数值。因而，红外相机能够更快地在野外捕捉到濒危动物，能够将高速运动的动物拍摄成高清晰度的照片，保障了数据集的高品质，从而使得通过该数据集训练的识别模型具有更好的识别效果。
实施例2
本实施例是基于实施例1的一种应用场景，包括以下步骤：
S1、建立红外相机动物图像库：
红外相机动物图像库包括：家养动物图像库、野生动物图像库，其中，家养动物图像库包括通过红外相机获取的白天和夜间环境下，家养动物的睡姿、卧姿、进食姿态、行走姿态、停驻姿态、鸣叫姿态图像数据，野生动物图像库包括通过红外相机获取的的白天和夜间环境下，野生动物的睡姿、卧姿、进食姿态、行走姿态、停驻姿态、鸣叫姿态图像数据；
S2、物种辨别与整理：
将步骤S1划分的家养动物图像库和野生动物图像库进一步区分，选择将白鹇(Lophura nycthemera)和果子狸(Paguma larvata)的图像数据归总形成单独数据集；
S3、提取关键特征：
对白鹇、果子狸的关键特征进行提取，得出白鹇属雌雄异型鸟类，活动节律属昼行性，而果子狸属于雌雄相似的兽类，活动节律属夜行性；
S4、构建各个组合训练集：
根据各个物种关键特征、红外照片类型因素，调整训练集内可见光和红外照片、动物整体与局部照片、动物雌性与雄性照片的比例，搭配形成多种组合类型的数据集，具体地，白鹇属昼行性、雌雄异型的鸟类，可见光照片与红外照片比例控制在8:2，雌雄照片比例控制在1：1，结合考虑数据量对模型匹配度的影响，设计不同照片总量的训练集(照片总数为200、500、1000)，搭配形成9种组合的数据集，
而果子狸属夜行性，雌雄相近，控制可见光和红外比例在9:1，结合考虑果子狸躯体较长控制集内的局部照片多于整体照片，同时考虑数据量对模型匹配度的影响，不同照片总量的训练集(照片总数为100、200、400)，搭配形成另外9种组合的数据集，将白鹇和果子狸的9种各个组合的数据集进行人工或自动化标注获得标签文件，并进行Mosaic数据增强处理，转换格式后获得9种白鹇训练集与9种果子狸训练集；
S5、模型训练：
对训练服务器进行opencv、CUDA、darknet安装，配置环境参数，形成训练环境，搭建YOLOv4算法模型框架，将9种白鹇训练集与9种果子狸训练集单独导入并进行训练，训练至模型平均损失值(avg loss)小于0.600且保持稳定，停止训练，得到9种白鹇识别模型和9种果子狸识别模型；
S6、模型测试与分析：
对白鹇和果子狸的18种模型用同一测式集(训练集外的动物图像数据)进行测试，获取各个模型识别结果(物种名、置信度、预测框位置)，分析各模型的识别成功率及准确率，将识别成功且准确的结果进行统计，得到分析结果图，如图3和图4所示，具体数据如表1、表2所示；
表1白鹇训练集组合测试结果表
表2果子狸训练集组合测试结果表
| 组合 | 拆分方式 | 数据总量 | 置信度 |
| 组合1 | 雌雄拆分且红外与可见光拆分 | 200 | 0 |
| 组合2 | 雌雄拆分且红外与可见光拆分 | 500 | 0 |
| 组合3 | 雌雄拆分且红外与可见光拆分 | 1000 | 0 |
| 组合4 | 雌雄合并但红外与可见光拆分 | 200 | 0.46 |
| 组合5 | 雌雄合并但红外与可见光拆分 | 500 | 0.76 |
| 组合6 | 雌雄合并但红外与可见光拆分 | 1000 | 0.80 |
| 组合7 | 雌雄拆分且红外与可见光合并 | 200 | 0.69 |
| 组合8 | 雌雄拆分且红外与可见光合并 | 500 | 0.91 |
| 组合9 | 雌雄拆分且红外与可见光合并 | 1000 | 0.95 |
S7、判定最佳组合：
依据测试结果，可得出白鹇训练集的最佳组合为可见光和红外照片合且雄雌单独拆分的组合方式，同时组合照片总量在500左右，可实现识别准确率高于0.90；而果子狸训练集的最佳组合为局部：整体照片比例为1:1且数据总量达到200左右，可实现准确率高于0.90。
由此可知，获得单一物种训练集最佳组合方式后，可预测训练集达到识别最佳效果的数据量和组合方式，将指导训练集有效数据的补充与训练集组合优化工作，从而更精准地提升红外相机监测物种识别准确率。
上列详细说明是针对本发明可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的实施或变更，均包含于本案的专利范围中。
Claims (9)
1.一种红外相机动物图像识别训练集最佳组合的构建方法，其特征在于，包括：
S1、建立红外相机动物图像库，所述红外相机动物图像库包括：家养动物图像库、野生动物图像库；
S2、物种辨别与整理：将步骤S1划分的家养动物图像库和野生动物图像库进一步区分，形成单独的物种数据集；
S3、提取关键特征：对步骤S2中物种数据集内的单一物种进行关键特征提取；
S4、构建各个组合训练集：根据各个物种关键特征、红外照片类型因素，调整训练集内照片的比例，搭配形成多种组合类型的数据集，并对数据集进行优化；
S5、模型训练：根据图像目标检测算法构建识别模型框架，将各个组合训练集分别导入进行训练；
S6、模型测试与分析：对训练完成的各个模型进行准确性测试；
S7、判定最佳组合：根据测试结果，选出最佳数据集。
2.如权利要求1所述的一种红外相机动物图像识别训练集最佳组合的构建方法，其特征在于，所述步骤S1中所述家养动物图像库包括通过红外相机获取的白天和夜间环境下，家养动物的睡姿、卧姿、进食姿态、行走/飞行姿态、停驻姿态、鸣叫/吼叫姿态图像数据，所述野生动物图像库包括通过红外相机获取的的白天和夜间环境下，野生动物的睡姿、卧姿、进食姿态、行走/飞行姿态、停驻姿态、鸣叫/吼叫姿态图像数据。
3.根据权利要求2所述的一种红外相机动物图像识别训练集最佳组合的构建方法，其特征在于，所述步骤S3提取的关键特征包括雌雄异形、活动节律。
4.根据权利要求3所述的一种红外相机动物图像识别训练集最佳组合的构建方法，其特征在于，所述步骤S4中，训练集照片种类包括：可见光和红外照片、动物整体与局部照片、动物雌性与雄性照片的比例。
5.根据权利要求4所述的一种红外相机动物图像识别训练集最佳组合的构建方法，其特征在于，所述步骤S4中，数据集优化的具体内容为：对数据集进行人工或自动化标注获得标签文件，进行Mosaic数据增强处理优化数据集，使其格式进行转换，形成多种训练集。
6.根据权利要求5所述的一种红外相机动物图像识别训练集最佳组合的构建方法，其特征在于，所述步骤S5具体内容为：对训练服务器进行环境搭建与配置，构建目标检测模型网络框架，以各个组合类型的训练集单独进行模型训练，得到多种模型。
7.根据权利要求6所述的一种红外相机动物图像识别训练集最佳组合的构建方法，其特征在于，所述步骤S5中，构建目标检测模型的算法包括但不限于YOLO、R-CNN、SSD。
8.根据权利要求7所述的一种红外相机动物图像识别训练集最佳组合的构建方法，其特征在于，所述步骤S6具体内容为：用同一组的训练集外动物图像数据对所述步骤S5得出的多种模型进行模型测试，获取各个模型识别结果，分析对比各模型的识别成功率及准确率。
9.根据权利要求8所述的一种红外相机动物图像识别训练集最佳组合的构建方法，其特征在于，所述步骤S7具体内容为：获取所述步骤S6分析所得识别成功率和准确率均最佳的训练集组合类型，并将其作为该物种训练数据的最佳组合方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110614474.5A CN113486713A (zh) | 2021-06-02 | 2021-06-02 | 一种红外相机动物图像识别训练集最佳组合的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110614474.5A CN113486713A (zh) | 2021-06-02 | 2021-06-02 | 一种红外相机动物图像识别训练集最佳组合的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113486713A true CN113486713A (zh) | 2021-10-08 |
Family
ID=77934342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110614474.5A Pending CN113486713A (zh) | 2021-06-02 | 2021-06-02 | 一种红外相机动物图像识别训练集最佳组合的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486713A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809226A (zh) * | 2015-05-07 | 2015-07-29 | 武汉大学 | 一种早期分类不平衡多变量时间序列数据的方法 |
| AU2018101317A4 (en) * | 2018-09-07 | 2018-10-11 | Chen, Guoyi Mr | A Deep Learning Based System for Animal Species Classification |
| CN108985365A (zh) * | 2018-07-05 | 2018-12-11 | 重庆大学 | 基于深度子空间切换集成学习的多源异构数据融合方法 |
| AU2019100354A4 (en) * | 2019-04-04 | 2019-05-16 | Chen, Mingjie Mr | An animal image search system based on convolutional neural network |
| CN110400602A (zh) * | 2018-04-23 | 2019-11-01 | 深圳华大生命科学研究院 | 一种基于测序数据的abo血型系统分型方法及其应用 |
| CN110889841A (zh) * | 2019-11-28 | 2020-03-17 | 江苏电力信息技术有限公司 | 一种基于YOLOv3的输电线路鸟类检测算法 |
| US20200278986A1 (en) * | 2019-03-01 | 2020-09-03 | Microsoft Technology Licensing, Llc | Automatically Inferring Data Relationships of Datasets |
| CN111639368A (zh) * | 2020-06-03 | 2020-09-08 | 汪金玲 | 一种基于区块链的增量学习分布式计算方法、系统和节点 |
| CN112116242A (zh) * | 2020-09-17 | 2020-12-22 | 福州福大经纬信息科技有限公司 | 一种结合多种遥感指标的裸土变化识别方法 |
| GB202017529D0 (en) * | 2020-11-05 | 2020-12-23 | Thales Holdings Uk Plc | One shot learning for identifying data items similar to a query data item |
| CN112187752A (zh) * | 2020-09-18 | 2021-01-05 | 湖北大学 | 一种基于随机森林的入侵检测分类方法及装置 |
| CN112215296A (zh) * | 2020-10-21 | 2021-01-12 | 红相股份有限公司 | 基于迁移学习的红外图像识别方法及存储介质 |
-
2021
- 2021-06-02 CN CN202110614474.5A patent/CN113486713A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809226A (zh) * | 2015-05-07 | 2015-07-29 | 武汉大学 | 一种早期分类不平衡多变量时间序列数据的方法 |
| CN110400602A (zh) * | 2018-04-23 | 2019-11-01 | 深圳华大生命科学研究院 | 一种基于测序数据的abo血型系统分型方法及其应用 |
| CN108985365A (zh) * | 2018-07-05 | 2018-12-11 | 重庆大学 | 基于深度子空间切换集成学习的多源异构数据融合方法 |
| AU2018101317A4 (en) * | 2018-09-07 | 2018-10-11 | Chen, Guoyi Mr | A Deep Learning Based System for Animal Species Classification |
| US20200278986A1 (en) * | 2019-03-01 | 2020-09-03 | Microsoft Technology Licensing, Llc | Automatically Inferring Data Relationships of Datasets |
| AU2019100354A4 (en) * | 2019-04-04 | 2019-05-16 | Chen, Mingjie Mr | An animal image search system based on convolutional neural network |
| CN110889841A (zh) * | 2019-11-28 | 2020-03-17 | 江苏电力信息技术有限公司 | 一种基于YOLOv3的输电线路鸟类检测算法 |
| CN111639368A (zh) * | 2020-06-03 | 2020-09-08 | 汪金玲 | 一种基于区块链的增量学习分布式计算方法、系统和节点 |
| CN112116242A (zh) * | 2020-09-17 | 2020-12-22 | 福州福大经纬信息科技有限公司 | 一种结合多种遥感指标的裸土变化识别方法 |
| CN112187752A (zh) * | 2020-09-18 | 2021-01-05 | 湖北大学 | 一种基于随机森林的入侵检测分类方法及装置 |
| CN112215296A (zh) * | 2020-10-21 | 2021-01-12 | 红相股份有限公司 | 基于迁移学习的红外图像识别方法及存储介质 |
| GB202017529D0 (en) * | 2020-11-05 | 2020-12-23 | Thales Holdings Uk Plc | One shot learning for identifying data items similar to a query data item |
Non-Patent Citations (3)
| Title |
|---|
| ALEXANDER GOMEZ VILLA 等: "Towards automatic wild animal monitoring: Identification of animal species in camera-trap images using very deep convolutional neural networks", 《ECOLOGICAL INFORMATICS》, vol. 41, 31 December 2017 (2017-12-31), pages 24 - 32, XP085191044, DOI: 10.1016/j.ecoinf.2017.07.004 * |
| RUSSAKOVSKY 等: "ImageNet Large Scale Visual Recognition Challenge", 《INT J COMPUT VIS 115》, 31 December 2015 (2015-12-31), pages 211 * |
| 宫一男 等: "基于深度学习的红外相机动物影像人工智能识别:以东北虎豹国家公园为例", 《兽类学报》, vol. 39, no. 4, 31 December 2019 (2019-12-31), pages 458 - 465 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148120B (zh) | 一种基于cnn与迁移学习的病害智能识别方法及系统 | |
| CN108764372B (zh) | 数据集的构建方法和装置、移动终端、可读存储介质 | |
| US11636701B2 (en) | Method for calculating deviation relations of a population | |
| US10896323B2 (en) | Method and device for image processing, computer readable storage medium, and electronic device | |
| CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
| CN113221864A (zh) | 多区域深度特征融合的病鸡视觉识别模型构建及应用方法 | |
| Rong et al. | Pest Identification and Counting of Yellow Plate in Field Based on Improved Mask R‐CNN | |
| CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
| CN111611889A (zh) | 基于改进卷积神经网络的农田微型虫害识别装置 | |
| CN110991297A (zh) | 一种基于场景监控的目标定位方法及系统 | |
| CN114581948A (zh) | 一种畜脸识别方法 | |
| CN115578423A (zh) | 基于深度学习的鱼类关键点检测、个体追踪和生物量估算方法及系统 | |
| CN116543386A (zh) | 一种基于卷积神经网络的农业病虫害图像识别方法 | |
| US11605220B2 (en) | Systems and methods for video surveillance | |
| CN115100683B (zh) | 估重方法、装置、设备及存储介质 | |
| CN111079617A (zh) | 家禽识别方法、装置、可读存储介质及电子设备 | |
| CN113486713A (zh) | 一种红外相机动物图像识别训练集最佳组合的构建方法 | |
| CN113947780B (zh) | 一种基于改进卷积神经网络的梅花鹿面部识别方法 | |
| US11988509B2 (en) | Portable field imaging of plant stomata | |
| CN115019162A (zh) | 一种基于深度学习的桑蚕检测方法 | |
| CN112001365A (zh) | 一种高精度的农作物病虫害识别方法 | |
| CN112069860B (zh) | 一种基于肢体姿势图像识别奶牛的方法和装置 | |
| KR102452932B1 (ko) | 지도 기반 유기동물 관리 플랫폼 서비스 제공 시스템 | |
| CN118658010A (zh) | 一种农作物害虫识别方法、装置、设备以及介质 | |
| Rodrigues et al. | DEVELOPMENT OF SOFTWARE FOR ANALYSIS OF BEHAVIOR AND WELFARE OF BROILERS |
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 |