CN114154568A - 用于野生保护动物识别的细粒度图像分类方法及装置 - Google Patents

用于野生保护动物识别的细粒度图像分类方法及装置 Download PDF

Info

Publication number
CN114154568A
CN114154568A CN202111386330.5A CN202111386330A CN114154568A CN 114154568 A CN114154568 A CN 114154568A CN 202111386330 A CN202111386330 A CN 202111386330A CN 114154568 A CN114154568 A CN 114154568A
Authority
CN
China
Prior art keywords
image
images
classification
training
wild
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
Application number
CN202111386330.5A
Other languages
English (en)
Inventor
曹利蒲
曾凡春
张彬
杨继明
田长风
陈岩磊
张澈
王传鑫
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.)
Beijing Huaneng Xinrui Control Technology Co Ltd
Original Assignee
Beijing Huaneng Xinrui Control Technology Co Ltd
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 Beijing Huaneng Xinrui Control Technology Co Ltd filed Critical Beijing Huaneng Xinrui Control Technology Co Ltd
Priority to CN202111386330.5A priority Critical patent/CN114154568A/zh
Publication of CN114154568A publication Critical patent/CN114154568A/zh
Pending legal-status Critical Current

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种用于野生保护动物识别的细粒度图像分类方法及装置，该方法包括：获取待分类的野生保护动物的图像，并根据图像的分类信息制作数据集；识别图像中有效信息的位置，并将图像进行框定和裁剪，去除图像的干扰信息；反复提取图像中不受预设网络关注但又对分类结果有价值的信息，并将信息输入到预设网络；对图像开始训练参数，检测出图像中的野生动物的位置，并对图像裁剪后输入预设网络，得到分类结果。本方法解决了图像分类在野生动物保护领域的应用空白问题，节省了野生动物保护的人力成本，提高了野生动物保护的工作效率，为野生动物保护方面的科学研究提供可靠的技术支持。

Description

用于野生保护动物识别的细粒度图像分类方法及装置
技术领域
本发明属于风力发电技术领域，具体涉及一种用于野生保护动物识别的细粒度图像分类方法及装置。
背景技术
国家大力支持人工智能技术的发展，在相关领域投入了大量的人力物力，为人工智能技术的突破提供了强有力的支持。在此背景下，我国科研人员不断努力，在深度学习和计算机视觉领域取得了重大突破。一大批先进的科学技术成果涌现出来，细粒度图像分类就是其中之一，但是目前细粒度图像分类领域的研究多数还是停留在理论阶段，让细粒度图像分类技术进入大众生活是我们亟待加强的工作。细粒度图像分类的用途十分广泛，在智能驾驶领域，细粒度图像分类技术可以识别前后的车辆、障碍物、行人，对自动驾驶技术的发展有着非常大的帮助；在手机研发领域，细粒度图像识别技术已经运用到面部识别的研究中，即使人戴着口罩，也可以通过细粒度图像分类识别出人的容貌，确定被识别者是否是手机的合法使用者；在卫生医疗领域，细粒度图像技术已经被应用于卫生防疫工作，通过摄像头拍下照片，来识别相关人员是否带口罩，节省了人力成本。但是细粒度图像分类在动物保护领域的应用却十分匮乏，主要是由以下几点原因造成的：一、野生动物大多生活在原始丛林深处，并且远离人类，要将细粒度图像分类技术应用于野生动物保护，需要研究人员进入丛林，实验条件艰苦。二、野生动物保护工作主要是由相关政府部门进行，普通大众对野生动物保护工作的接触少，造成人工智能技术在动物保护领域的需求少，因此相关研究也非常少。
针对上述问题，有必要提出一种用于野生保护动物识别的细粒度图像分类方法及装置。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种风电机组故障数据记录方法及装置。
本发明的一方面提供一种用于野生保护动物识别的细粒度图像分类方法，所述方法包括：
获取待分类的野生保护动物的图像，并根据所述图像的分类信息制作数据集；
识别所述图像中有效信息的位置，并将所述图像进行框定和裁剪，去除所述图像的干扰信息；
反复提取所述图像中不受预设网络关注但又对分类结果有价值的信息，并将所述信息输入到所述预设网络；
对所述图像开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入所述预设网络，得到分类结果。
可选的，所述对所述图像开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入预设网络，得到分类结果，包括：
在每一轮训练时需将所述图像的训练顺序打乱，并随机抽取相同数量的所述图像输入预设网络。
可选的，所述对所述图像开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入预设网络，得到分类结果之后，所述方法还包括：
在每一轮训练结束后，验证所述图像的分类精度，并保存所述训练参数。
可选的，所述对所述图像开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入预设网络，得到分类结果之后，所述方法还包括：
训练结束后，选择在训练中分类精度最高的模型载入网络，并测试分类精度。
可选的，所述分类结果的公式为：
Figure BDA0003367220680000031
其中，L是最终分类结果，Limage是经过R-CNN处理后得到的图像的分类结果，
Figure BDA0003367220680000032
是第一次掩蔽后得到的图像的分类结果，
Figure BDA0003367220680000033
是第n次掩蔽后得到的图像的分类结果，λ、β为超参数。
可选的，所述反复提取所述图像中不受预设网络关注但又对分类结果有价值的信息，并将所述信息输入到所述预设网络，包括：
得到所述预设网络认为所述图像得分最高的部位，并将其掩蔽；
到所述预设网络认为所述图像得分第二高的部位，再将其掩蔽，以此循环往复，使得所述预设网络可以提取所述图像中的有用特征；
所述掩蔽的公式为：
Figure BDA0003367220680000034
其中，M(i,j)是掩蔽后得到掩码，θ*A是阈值，F(i,j)是图像在(i,j)处的像素值。
可选的，所述数据集按照预设比例划分为训练集、验证集和测试集。
本发明的另一方面提供一种用于野生保护动物识别的细粒度图像分类装置，所述装置包括获取模块、目标检测模块、视觉注意力模块、训练模块，
所述获取模块，用于获取所述野生保护动物的图像；
所述目标检测模块，用于识别所述图像中有效信息的位置，并将所述图像进行框定和裁剪，去除所述图像的干扰信息；
所述视觉注意力模块，用于反复提取所述图像中不受预设网络关注但又对分类结果有价值的信息，并将所述信息输入到所述预设网络；
所述训练模块，用于对所述图像开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入所述预设网络，得到分类结果。
可选的，所述装置还包括验证模块和测试模块；
所述验证模块，用于在每一轮训练结束后，验证所述图像的分类精度，并保存所述训练参数；
所述测试模块，用于训练结束后，选择在训练中分类精度最高的模型载入网络，并测试分类精度。
本发明的另一方面提供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能实现前文所述的图像分类方法。
本发明的用于野生保护动物识别的细粒度图像分类方法及装置，该方法包括：获取待分类的野生保护动物的图像，并根据图像的分类信息制作数据集；识别图像中有效信息的位置，并将图像进行框定和裁剪，去除图像的干扰信息；反复提取图像中不受预设网络关注但又对分类结果有价值的信息，并将信息输入到预设网络；对图像开始训练参数，检测出图像中的野生动物的位置，并对图像裁剪后输入预设网络，得到分类结果。本用于野生保护动物识别的细粒度图像分类方法解决了图像分类在野生动物保护领域的应用空白问题，节省了野生动物保护的人力成本，提高了野生动物保护的工作效率，为野生动物保护方面的科学研究提供可靠的技术支持。
附图说明
图1为本发明一实施例的一种用于野生保护动物识别的细粒度图像分类方法的流程示意图；
图2为本发明另一实施例的一种用于野生保护动物识别的细粒度图像分类装置的结构示意图；
图3为本发明另一实施例中改进后的ResNet卷积神经网络结构图示意图；
图4为本发明另一实施例中视觉注意力模块图；
图5为本发明另一实施例中电子设备结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。
如图1所示，本发明的一个方面提供一种用于野生保护动物识别的细粒度图像分类方法S100，所述方法S100包括：
S110、获取待分类的野生保护动物的图像，并根据所述图像的分类信息制作数据集。
具体地，如图2所示，在本实施例中，通过获取模块110从野生动物保护部门获得真实野外条件下野生保护动物的图像。获取的图像种类有，野猪、金丝猴、扬子鳄、东北虎、雪豹、黑麂、亚洲象、黑颈鹤、藏羚羊、朱鹮，共10个种类，图片总计12000张，为图片标注正确的分类信息，将其制作成数据集，数据集像素统一转换成225×225，并按8：1：1的比例划分为训练集、验证集和测试集。
S120、识别所述图像中有效信息的位置，并将所述图像进行框定和裁剪，去除所述图像的干扰信息。
具体地，在本实施例中，对比AlexNet、VGG和ResNet残差网络这几种常用的神经网络后，我们选择了ResNet残差神经网络作为本发明的基础网络，也就是说，在ResNet卷积神经网络的基础上做了改进，该网络算法对图像的分类精度高，在其基础上进行改进可以得到更高的分类精度。
如图2所示，首先在ResNet卷积神经网络前接入目标检测模块120，本实施例中，目标检测模块为R-CNN目标检测模块。R-CNN目标检测模块检测出野生动物在图像中的位置，因为摄像机在野外捕捉到的图像并不能保证野生动物都处于图像的中心位置，或者捕捉到的只是动物身体的某一部位，图像中剩余的部分都是背景信息和干扰噪音，如果不确定动物的具体位置，很有可能导致最后的分类结果错误。通过接入R-CNN目标检测模块可以使数据集中的野生动物图片能得到具体位置，并将其框定并裁剪，舍弃背景信息和无用信息。
S130、反复提取所述图像中不受预设网络关注但又对分类结果有价值的信息，并将所述信息输入到所述预设网络。
具体地，引入R-CNN目标检测模块得到动物的具体位置后，由于ResNet卷积神经网络往往会过于关注高价值分类目标，而忽略了可以参与分类的其他部位，因此如图2所示，引入视觉注意力模块130。视觉注意力模块130可以让图像中不受网络关注的但又对分类结果有价值的信息重新被预设网络所提取，并将提取的有价值的信息输入到预设网络。需要说明的是，在本实施例中，预设网络是在ResNet卷积神经网络的基础上加入R-CNN目标检测模块120和视觉注意力模块130后的网络。
需要说明的是，本实施例中，视觉注意力模块130采用CAM注意力，在ResNet卷积神经网络加上平均池化层，得到网络认为得分最高的部位，然后将其岩掩蔽，在通过注意力机制得到得分第二高的部位，再将其掩蔽，以此循环往复，使得改进后的ResNet卷积神经网络可以充分提取图像中的有用特征，其中，掩蔽的公式为：
Figure BDA0003367220680000061
其中，M(i,j)是掩蔽后得到掩码，θ*A是阈值，F(i,j)是图像在(i,j)处的像素值。
S140、对所述图像开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入所述预设网络，得到分类结果。
首先，在每一轮训练时需将所述图像的训练顺序打乱，并随机抽取相同数量的所述图像输入预设网络。
具体地，为了防止训练过程中出现过拟合现象，在每一轮训练时都要将图像的训练顺序打乱，并从训练模块140中抽取相同数量的图像，送进改进后的ResNet卷积神经网络进行训练。
然后，对图像开始训练参数，检测出图像中野生动物的位置，对图像进行裁剪。将裁剪后的图像送入有视觉注意力模块130的改进的ResNet卷积神经网络，得到分类结果，分类结果的公式为：
Figure BDA0003367220680000071
L是最终分类结果，Limage是经过R-CNN处理后得到的图像的分类结果，
Figure BDA0003367220680000072
是第一次掩蔽后得到的图像的分类结果，
Figure BDA0003367220680000073
是第n次掩蔽后得到的图像的分类结果，λ、β为超参数。
示例性的，所述开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入预设网络，得到分类结果之后，所述方法还包括：
在每一轮训练结束后，验证所述图像的分类精度，并保存所述训练参数。
具体地，每一轮训练结束后，都要在验证模块150上验证图像的分类精度，并将训练参数进行保存。
示例性的，所述开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入预设网络，得到分类结果之后，所述方法还包括：
训练结束后，选择在训练中分类精度最高的模型载入网络，并测试分类精度。
具体地，训练结束后，选择在训练中分类精度最高的模型载入网络，使用测试模块160测试分类精度。
如图2所示，本发明的另一方面提供一种用于野生保护动物识别的细粒度图像分类装置100，所述装置100包括获取模块110、目标检测模块120、视觉注意力模块130、训练模块140，
所述获取模块110，用于获取所述野生保护动物的图像，并根据所述图像的分类信息制作数据集。
具体地，如图2所示，在本实施例中，通过获取模块110从野生动物保护部门获得真实野外条件下野生保护动物的图像。获取的图像种类有，野猪、金丝猴、扬子鳄、东北虎、雪豹、黑麂、亚洲象、黑颈鹤、藏羚羊、朱鹮，共10个种类，图片总计12000张，为图片标注正确的分类信息，将其制作成数据集。
所述目标检测模块120，用于识别所述图像中有效信息的位置，并将所述图像进行框定和裁剪，去除所述图像的干扰信息。本实施例中，在ResNet卷积神经网络前接入目标检测模块120，目标检测模块为R-CNN目标检测模块。
所述视觉注意力模块130，用于反复提取所述图像中不受预设网络关注但又对分类结果有价值的信息，并将所述信息输入到所述预设网络。本实施例中，视觉注意力模块130采用CAM注意力，视觉注意力模块也接入ResNet卷积神经网络。
所述训练模块130，用于对所述图像开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入所述预设网络，得到分类结果。
需要说明的是，为了防止训练过程中出现过拟合现象，在每一轮训练时都要将图像的训练顺序打乱，并从训练模块130中抽取相同数量的图像，送进改进后的网络进行训练，也就是加入目标检测模块120和视觉注意力模块130的ResNet卷积神经网络。
示例性的，所述装置100还包括验证模块150和测试模块160，
所述验证模块150，用于在每一轮训练结束后，验证所述图像的分类精度，并保存所述训练参数。
所述测试模块160，用于训练结束后，选择在训练中分类精度最高的模型载入网络，并测试分类精度。
本发明的用于野生保护动物识别的细粒度图像分类装置，在ResNet卷积神经网络中引入目标检测模块和视觉注意力模块，来对野生动物保护进行分类，填补了现阶段细粒度图像分类在野生动物保护领域的应用空白问题，节省了野生动物保护的人力成本，提高了野生动物保护的工作效率，为野生动物保护方面的科学研究提供可靠的技术支持。
如图5所示，本发明的另一方面提供一种电子设备200，包括：
一个或多个处理器210，一个或多个存储单元220，一个或多个存储单元220用于存储一个或多个程序，当一个或多个程序被一个或多个处理器210执行时，能使得一个或多个处理器实现前文所述的数据记录方法。电子设备200还包括一个或多个输入单元230和一个或多个输出单元240等，电子设备200的这些组件通过总线系统250和/或其他形式的连接机构互连。应当注意，图3所示的电子设备200的组件和结构只是示例性的，而非限制性的，根据需要，电子设备200也可以具有其他组件和结构。
处理器210可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备200中的其他组件以执行期望的功能。
存储单元220可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如，所述应用程序使用和/或产生的各种数据等。
输入单元230可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风、触控按键和触摸屏等中的一个或多个。
输出单元240可以向外部(例如用户)输出各种信息(例如图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。
本发明的另一方面提供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能实现前文所述的数据记录方法。
其中，计算机可读介质可以是本发明的装置、设备、系统中所包含的，也可以是单独存在。
其中，计算机可读存储介质可是任何包含或存储程序的有形介质，其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备，更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件，或它们任意合适的组合。
其中，计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码，其具体的例子包括但不限于电磁信号、光信号，或它们任意合适的组合。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种用于野生保护动物识别的细粒度图像分类方法，其特征在于，所述方法包括：
获取待分类的野生保护动物的图像，并根据所述图像的分类信息制作数据集；
识别所述图像中有效信息的位置，并将所述图像进行框定和裁剪，去除所述图像的干扰信息；
反复提取所述图像中不受预设网络关注但又对分类结果有价值的信息，并将所述信息输入到所述预设网络；
对所述图像开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入所述预设网络，得到分类结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述图像开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入预设网络，得到分类结果，包括：
在每一轮训练时需将所述图像的训练顺序打乱，并随机抽取相同数量的所述图像输入预设网络。
3.根据权利要求2所述的方法，其特征在于，所述对所述图像开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入预设网络，得到分类结果之后，所述方法还包括：
在每一轮训练结束后，验证所述图像的分类精度，并保存所述训练参数。
4.根据权利要求3所述的方法，其特征在于，所述对所述图像开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入预设网络，得到分类结果之后，所述方法还包括：
训练结束后，选择在训练中分类精度最高的模型载入网络，并测试分类精度。
5.根据权利要求2所述的方法，其特征在于，所述分类结果的公式为：
Figure FDA0003367220670000021
其中，L是最终分类结果，Limage是经过R-CNN处理后得到的图像的分类结果，
Figure FDA0003367220670000022
是第一次掩蔽后得到的图像的分类结果，
Figure FDA0003367220670000023
是第n次掩蔽后得到的图像的分类结果，λ、β为超参数。
6.根据权利要求1所述的方法，其特征在于，所述反复提取所述图像中不受预设网络关注但又对分类结果有价值的信息，并将所述信息输入到所述预设网络，包括：
得到所述预设网络认为所述图像得分最高的部位，并将其掩蔽；
到所述预设网络认为所述图像得分第二高的部位，再将其掩蔽，以此循环往复，使得所述预设网络可以提取所述图像中的有用特征；
所述掩蔽的公式为：
Figure FDA0003367220670000024
其中，M(i,j)是掩蔽后得到掩码，θ*A是阈值，F(i,j)是图像在(i,j)处的像素值。
7.根据权利要求1所述的方法，其特征在于，所述数据集按照预设比例划分为训练集、验证集和测试集。
8.一种用于野生保护动物识别的图像分类装置，其特征在于，所述装置包括获取模块、目标检测模块、视觉注意力模块、训练模块，
所述获取模块，用于获取所述野生保护动物的图像；
所述目标检测模块，用于识别所述图像中有效信息的位置，并将所述图像进行框定和裁剪，去除所述图像的干扰信息；
所述视觉注意力模块，用于反复提取所述图像中不受预设网络关注但又对分类结果有价值的信息，并将所述信息输入到所述预设网络；
所述训练模块，用于对所述图像开始训练参数，检测出所述图像中的野生动物的位置，并对所述图像裁剪后输入所述预设网络，得到分类结果。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括验证模块和测试模块；
所述验证模块，用于在每一轮训练结束后，验证所述图像的分类精度，并保存所述训练参数；
所述测试模块，用于训练结束后，选择在训练中分类精度最高的模型载入网络，并测试分类精度。
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能实现根据权利要求1至7中任一项所述的图像分类方法。
CN202111386330.5A 2021-11-22 2021-11-22 用于野生保护动物识别的细粒度图像分类方法及装置 Pending CN114154568A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111386330.5A CN114154568A (zh) 2021-11-22 2021-11-22 用于野生保护动物识别的细粒度图像分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111386330.5A CN114154568A (zh) 2021-11-22 2021-11-22 用于野生保护动物识别的细粒度图像分类方法及装置

Publications (1)

Publication Number Publication Date
CN114154568A true CN114154568A (zh) 2022-03-08

Family

ID=80457339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111386330.5A Pending CN114154568A (zh) 2021-11-22 2021-11-22 用于野生保护动物识别的细粒度图像分类方法及装置

Country Status (1)

Country Link
CN (1) CN114154568A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116310894A (zh) * 2023-02-22 2023-06-23 中交第二公路勘察设计研究院有限公司 一种基于无人机遥感的小样本小目标藏羚羊智能识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116310894A (zh) * 2023-02-22 2023-06-23 中交第二公路勘察设计研究院有限公司 一种基于无人机遥感的小样本小目标藏羚羊智能识别方法
CN116310894B (zh) * 2023-02-22 2024-04-16 中交第二公路勘察设计研究院有限公司 一种基于无人机遥感的小样本小目标藏羚羊智能识别方法

Similar Documents

Publication Publication Date Title
CN109410184B (zh) 基于稠密对抗网络半监督学习的直播色情图像检测方法
CN111986183B (zh) 一种染色体散型图像自动分割识别系统及装置
CN110659659A (zh) 一种智能识别和预警害虫的方法及系统
CN112905997B (zh) 面向深度学习模型中毒攻击的检测方法、装置及系统
CN110059579B (zh) 用于活体检验的方法和装置，电子设备和存储介质
Xie et al. Recognition of big mammal species in airborne thermal imaging based on YOLO V5 algorithm
CN108875497B (zh) 活体检测的方法、装置及计算机存储介质
CN111444788B (zh) 行为识别的方法、装置及计算机存储介质
CN111951283A (zh) 一种基于深度学习的医学图像识别方法及系统
CN114154568A (zh) 用于野生保护动物识别的细粒度图像分类方法及装置
CN116206334A (zh) 一种野生动物识别方法和装置
CN115358952A (zh) 一种基于元学习的图像增强方法、系统、设备和存储介质
CN113807237B (zh) 活体检测模型的训练、活体检测方法、计算机设备及介质
CN111723742A (zh) 一种人群密度分析方法、系统、装置及计算机可读存储介质
CN111444816A (zh) 一种基于Faster RCNN的多尺度密集行人检测方法
Gunawan et al. Performance Evaluation of Automatic Number Plate Recognition on Android Smartphone Platform.
CN111144425A (zh) 检测拍屏图片的方法、装置、电子设备及存储介质
CN116580176A (zh) 基于轻量化网络MobileViT的车载CAN总线异常检测方法
CN111199050B (zh) 一种用于对病历进行自动脱敏的系统及应用
Wang et al. Deep-learning-based block similarity evaluation for image forensics
Abdosalehi et al. Splicing localization in tampered blurred images
CN113326509B (zh) 基于互信息的深度学习模型中毒攻击检测方法及其装置
CN112949730B (zh) 少样本的目标检测方法、装置、存储介质及设备
Wang et al. Nighttime wildlife object detection based on YOLOv8‐night
Hidayasari et al. Steganalysis Using Yedrodj-net net's Convolutional Neural Networks (CNN) Method on Steganography Tools

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