CN116994295B - 基于灰度样本自适应选择门的野生动物类别识别方法 - Google Patents
基于灰度样本自适应选择门的野生动物类别识别方法 Download PDFInfo
- Publication number
- CN116994295B CN116994295B CN202311256034.2A CN202311256034A CN116994295B CN 116994295 B CN116994295 B CN 116994295B CN 202311256034 A CN202311256034 A CN 202311256034A CN 116994295 B CN116994295 B CN 116994295B
- Authority
- CN
- China
- Prior art keywords
- visible light
- image
- branch
- gray
- infrared light
- 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.)
- Active
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 38
- 230000003044 adaptive effect Effects 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 abstract description 2
- 241000283216 Phocidae Species 0.000 description 20
- 230000001174 ascending effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
- G06N3/048—Activation functions
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
本发明公开了一种基于灰度样本自适应选择门的野生动物类别识别方法,涉及机器视觉技术领域,利用灰度图像作为辅助模态来缓解可见光图像和红外光图像之间的模态差异。具体地说,本发明以可见光图像和灰度图像之间在特征空间中的差异来模拟可见光图像和红外光图像的模态差异,设计一种基于神经网络的自适应选择门模块,从可见光图像和灰度图像的特征差异中学习出灰度图像的重要性,用于合理控制灰度图像参与模型鉴别性训练的程度,解决因白天可见光图像与夜晚红外光图像之间模态跨度变化大,导致计算机对野生动物难以准确识别的问题,从而提升野生动物的识别率。因此,本发明可广泛应用于智慧生态以及动物保护等场景中的智能视频分析系统。
Description
技术领域
本发明涉及机器视觉技术领域,具体涉及一种基于灰度样本自适应选择门的野生动物类别识别方法。
背景技术
基于图像识别技术的野生动物识别,在野生动物活动轨迹分析、数量统计方面具有广泛的应用价值。在观察野生动物的过程中,在白天采集到的是可见光图像,在夜晚采集到的是红外光图像。但是,由于野外环境复杂、有些动物喜夜行,在不同场景下采集的野生动物图像存在可见光图像与红外光图像之间模态跨度变化大等问题,导致计算机对野生动物的类别难以准确识别。
发明内容
针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于灰度样本自适应选择门的野生动物类别识别方法,来解决以上背景技术部分提到的技术问题。
本发明提供了一种基于灰度样本自适应选择门的野生动物类别识别方法,包括以下步骤:
获取包含野生动物可见光图像和红外光图像的注册图像以及待识别野生动物的可见光图像或红外光图像,将待识别野生动物的可见光图像或红外光图像作为查询图像;
构建三分支深度学习网络并进行训练,三分支深度学习网络包括红外光分支、可见光分支、灰度分支和自适应选择门模块;红外光分支、可见光分支和灰度分支分别对应权重共享的三个特征提取模块;可见光分支和灰度分支均与自适应选择门模块连接;在训练过程中,将可见光图像转换为灰度图像,红外光图像、可见光图像和灰度图像分别输入红外光分支、可见光分支和灰度分支,分别提取到红外光特征、可见光特征和灰度特征,可见光特征和灰度特征均输入自适应选择门模块,得到经过约束的灰度特征,自适应选择门模块用于合理控制灰度图像参与模型鉴别性训练的程度,根据红外光特征、可见光特征和经过约束的灰度特征构建损失函数,将训练得到的红外光分支或可见光分支作为野生动物类别识别模型;
将查询图像和注册图像输入所述野生动物类别识别模型,分别提取查询特征向量和注册特征向量,根据查询特征向量和注册特征向量确定待识别野生动物的类别识别结果。
作为优选,自适应选择门模块包括差分模块、多层感知机和激活函数层,可见光特征和灰度特征输入差分模块,计算可见光特征和灰度特征的差分特征,如下式所示:
fDIFF=DIFF(fr,fg)=fr-fg;
其中,fr表示可见光特征,fg表示灰度特征;
将差分特征输入多层感知机和激活函数层,得到逐通道重要性权重,如下式所示:
α=Sig(MLP(fDIFF,θ));
其中,MLP表示多层感知机,θ表示多层感知机的网络参数,Sig表示激活函数层,激活函数层采用Sigmoid非线性激活函数,α表示逐通道重要性权重;
将逐通道重要性权重与灰度特征进行点乘,得到经过约束的灰度特征,如下式所示:
EMUL(α,fg)=fg*α。
作为优选,将可见光图像转换为灰度图像,具体包括:
采用下式将所述可见光图像转换为灰度图像:
其中,GrayTr(·)表示灰度转换函数,Xr表示可见光图像,R、G、B表示可见光图像Xr分离出的三个通道取值。
作为优选,三分支深度学习网络的训练过程中所采用的损失函数如下:
L(fr,fn,fg)=LLSCE(fr)+LLSCE(fn)+LLSCE(Gate(fr,fg));
其中,fr、fn、fg分别表示可见光特征、红外光特征和灰度特征,LLSCE(·)表示标签平滑交叉熵损失函数,Gate(·)表示自适应选择门模块;
标签平滑交叉熵函数如下式所示:
其中,
其中,M和C分别表示一小批次的图像数量和类别数量,Pi,j表示第i个样本xi属于第j个类别的后验概率,σi,j表示标签平滑指示函数,ε>0表示手动设置的标签平滑参数。
作为优选,特征提取模块包括依次连接的特征学习网络、全局平均池化层和批归一化层,灰度分支和可见光分支的批归一化层均与自适应选择门模块连接,灰度分支、可见光分支和红外光分支中的特征学习网络采用权重共享的策略。
相比于现有技术,本发明具有以下有益效果:
(1)本发明提出的基于灰度样本自适应选择门的野生动物类别识别方法在训练过程中采用自适应选择门模块从可见光图像和灰度图像的差异中学习灰度图像的重要性,合理控制灰度图像样本参与模型鉴别性训练的程度,缓解可见光图像和红外光图像之间的跨模态差异,提高了野生动物类别的鉴别性。
(2)本发明不仅可以适用于野生雪豹等夜行性野生动物的类别识别,还可广泛应用于智慧生态以及动物保护等场景中的智能视频分析系统。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请的实施例的基于灰度样本自适应选择门的野生动物类别识别方法的流程示意图;
图2为本申请的实施例的基于灰度样本自适应选择门的野生动物类别识别方法的结构示意图;
图3为本申请的实施例的基于灰度样本自适应选择门的野生动物类别识别方法的自适应选择门模块的结构示意图。
具体实施方式
图1展示了本申请的实施例提供的一种基于灰度样本自适应选择门的野生动物类别识别方法,包括以下步骤:
S1,获取包含野生动物可见光图像和红外光图像的注册图像以及待识别野生动物的可见光图像或红外光图像,将待识别野生动物的可见光图像或红外光图像作为查询图像。
具体的,注册图像为与待识别野生动物同一品种的不同已知类别的可见光图像和红外光图像,本申请的实施例中的野生动物以野生雪豹作为示例,在野外,一般在白天拍摄得到可见光图像,在夜晚拍摄得到红外光图像,两者中的任一一个均可作为查询图像,不受限制。
S2,构建三分支深度学习网络并进行训练,三分支深度学习网络包括红外光分支、可见光分支、灰度分支和自适应选择门模块;红外光分支、可见光分支和灰度分支分别对应权重共享的三个特征提取模块,可见光分支和灰度分支均与自适应选择门模块连接;在训练过程中,将可见光图像转换为灰度图像,红外光图像、可见光图像和灰度图像分别输入红外光分支、可见光分支和灰度分支,分别提取到红外光特征、可见光特征和灰度特征,可见光特征和灰度特征均输入自适应选择门模块,得到经过约束的灰度特征,自适应选择门模块用于合理控制灰度图像参与模型鉴别性训练的程度,根据红外光特征、可见光特征和经过约束的灰度特征构建损失函数,将训练得到的红外光分支或可见光分支作为野生雪豹类别识别模型。
在具体的实施例中,将可见光图像转换为灰度图像,具体包括:
采用下式将可见光图像转换为灰度图像:
其中,GrayTr(·)表示灰度转换函数,Xr表示可见光图像,R、G、B表示可见光图像Xr分离出的三个通道取值。
具体的,在训练过程中才使用到红外光图像、可见光图像和灰度图像三种图像,并且灰度图像是由可见光图像处理得到的。具体的,获取野生雪豹的可见光训练集图像和红外光训练集图像,并将可见光图像转换为灰度图像,得到灰度训练集图像,其中每个图像配有雪豹类别标签,每只雪豹均给予一个身份标签,对应其所属的类别。根据图像捕获特性,RGB三通道的可见光图像Xr与单通道红外光图像Xn之间存在较大的差距。为此,本申请的实施例在训练过程中将每个可见光图像转化为单通道灰度图像,既保留了可见光图像的结构信息,又近似于单通道红外光图像风格的特点。本申请的实施例中具体将可见光图像转换为灰度图像。之后将每个模态的图像组分别进行拼接,便可得到对应的输入图像集。
在具体的实施例中,特征提取模块包括依次连接的特征学习网络、全局平均池化层和批归一化层,灰度分支和可见光分支的批归一化层均与自适应选择门模块连接,灰度分支、可见光分支和红外光分支中的特征学习网络采用权重共享的策略。
具体的,构建三分支深度学习网络。参考图2,该三分支深度学习网络包含分别对应红外光图像、可见光图像和灰度图像的红外分支、可见光分支和灰度分支,该三分支深度学习网络的每一个分支的特征提取模块由ResNet50网络、全局平均池化层(GeP)和批归一化层(BN)组成,其中ResNet50网络包含一个茎层(Stem)和四个残差组(Layer1,Layer2,Layer3和Layer4)。此外,自适应选择门(Gate)模块放置于灰度分支和可见光分支的BN层输出之后。自适应选择门模块仅仅只在训练过程当中使用到,作为辅助,减少模态差异。红外分支、可见光分支和灰度分支三个分支的ResNet50网络采用权重共享的策略,因此在执行过程中,只需采用红外分支、可见光分支中的其中一个分支即可。
进一步的,在训练过程中,随机选取C只不同类别的雪豹,每只雪豹在可见光、灰度和红外光模态下各K张图像,三组模态的图像串联后分别输入到三个分支中学习三者特征信息,并得到可见光特征fr、灰度特征fg和红外光特征fn,如下式所示:
fr=Net(Xr);
fn=Net(Xn);
fg=Net(Xg);
其中,Net(·)表示特征提取模块,Xr、Xn和Xg分别表示可见光图像与单通道红外光图像。
在具体的实施例中,自适应选择门模块包括差分模块、多层感知机和激活函数层,可见光特征和灰度特征输入差分模块,计算可见光特征和灰度特征的差分特征,如下式所示:
fDIFF=DIFF(fr,fg)=fr-fg;
其中,fr表示可见光特征,fg表示灰度特征;
将差分特征输入多层感知机和激活函数层,得到逐通道重要性权重,如下式所示:
α=Sig(MLP(fDIFF,θ));
其中,MLP表示多层感知机,θ表示多层感知机的网络参数,Sig表示激活函数层,激活函数层采用Sigmoid非线性激活函数,α表示逐通道重要性权重;
将逐通道重要性权重与灰度特征进行点乘,得到经过约束的灰度特征,如下式所示:
EMUL(α,fg)=fg*α。
具体的,参考图3,自适应选择门模块包括依次连接的差分模块(DIFF)、多层感知机和激活函数层,可见光特征和灰度特征输入自适应选择门模块之后,依次经过差分模块、多层感知机(MLP)和激活函数层(Sigmoid),激活函数层输出的逐通道重要性权重再与输入的灰度特征点乘,得到经过约束的灰度特征α*fg。
在具体的实施例中,三分支深度学习网络的训练过程中所采用的损失函数如下:
L(fr,fn,fg)=LLSCE(fr)+LLSCE(fn)+LLSCE(Gate(fr,fg));
其中,fr、fn、fg分别表示可见光特征、红外光特征和灰度特征,LLSCE(·)表示标签平滑交叉熵损失函数,Gate(·)表示自适应选择门模块;
标签平滑交叉熵函数如下式所示:
其中,
其中,M和C分别表示一小批次的图像数量和类别数量,Pi,j表示第i个样本xi属于第j个类别的后验概率,σi,j表示标签平滑指示函数,ε>0表示手动设置的标签平滑参数。
具体的,将可见光特征fr和灰度特征fg输入到自适应选择门模块中学习。利用自适应选择门模块Gate(·)合理控制灰度图像样本参与模型鉴别性训练的程度,训练过程中,将批归一化层(BN层)输出后的可见光特征fr、红外光特征fn和经过约束的灰度特征α*fg分别与注册图像计算欧式距离,并将结果进行升序排序,选取排名靠前的注册图像即为与查询图像相似的注册图像,作为野生雪豹类别识别模型的识别结果。在训练过程中可观察到三个模态的识别的准确率变化,对整个野生雪豹类别识别模型的优化采用三个模态的标签平滑交叉熵损失函数之和,并采用梯度下降法优化野生雪豹类别识别模型,最小化损失函数,完成野生雪豹类别识别模型的训练,获得野生雪豹类别识别模型。
S3,将查询图像以及注册图像输入野生雪豹类别识别模型,分别提取查询特征向量和注册特征向量,根据查询特征和注册特征确定待识别野生雪豹的类别识别结果。
在具体的实施例中,根据查询特征向量和注册特征向量确定待识别野生雪豹的类别识别结果,具体包括:
分别计算查询特征向量和注册特征向量之间的欧式距离,根据欧式距离进行升序排序,选取排名靠前的注册图像作为待识别野生雪豹的类别识别结果。
具体的,在测试阶段以及部署应用过程中,使用训练阶段得到的野生雪豹类别识别模型,对查询图像和注册图像进行特征提取,得到查询图像的特征和注册图像的特征向量。基于所提取的特征向量分别计算查询图像与注册图像之间的欧式距离。根据距离结果进行升序排序,选取排名靠前的注册图像即为与查询图像相似的注册图像,作为野生雪豹类别识别模型的识别结果。
本发明的关键在于通过构建基于神经网络的自适应选择门模块,从可见光图像和灰度图像的差异中学习灰度图像的重要性,进而控制其参与模型鉴别性训练的程度,缓解可见光图像和红外光图像之间的跨模态差异,提高了野生动物类别的鉴别性。因此,本发明可广泛应用于智慧生态以及动物保护等场景中的智能视频分析系统。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,本专利所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (3)
1.一种基于灰度样本自适应选择门的野生动物类别识别方法,其特征在于,包括以下步骤:
获取包含野生动物可见光图像和红外光图像的注册图像以及待识别野生动物的可见光图像或红外光图像,将所述待识别野生动物的可见光图像或红外光图像作为查询图像;
构建三分支深度学习网络并进行训练,所述三分支深度学习网络包括红外光分支、可见光分支、灰度分支和自适应选择门模块;所述红外光分支、可见光分支和灰度分支分别对应权重共享的三个特征提取模块;所述可见光分支和灰度分支均与所述自适应选择门模块连接;在训练过程中,将所述可见光图像转换为灰度图像,所述红外光图像、可见光图像和灰度图像分别输入所述红外光分支、可见光分支和灰度分支,分别提取到红外光特征、可见光特征和灰度特征,所述可见光特征和灰度特征均输入所述自适应选择门模块,得到经过约束的灰度特征,所述自适应选择门模块用于合理控制灰度图像参与模型鉴别性训练的程度,所述自适应选择门模块包括差分模块、多层感知机和激活函数层,所述可见光特征和灰度特征输入所述差分模块,计算所述可见光特征和灰度特征的差分特征,如下式所示:
fDIFF=DIFF(fr,fg)=fr-fg;
其中,fr表示可见光特征,fg表示灰度特征;
将所述差分特征输入所述多层感知机和激活函数层,得到逐通道重要性权重,如下式所示:
α=Sig(MLP(fDIFF,θ));
其中,MLP表示多层感知机,θ表示多层感知机的网络参数,Sig表示激活函数层,所述激活函数层采用Sigmoid非线性激活函数,α表示逐通道重要性权重;
将所述逐通道重要性权重与所述灰度特征进行点乘,得到经过约束的灰度特征,如下式所示:
EMUL(α,fg)=fg·α,
根据所述红外光特征、可见光特征和经过约束的灰度特征构建损失函数,所述三分支深度学习网络的训练过程中所采用的损失函数如下:
L(fr,fn,fg)=LLSCE(fr)+LLSCE(fn)+LLSCE(Gate(fr,fg));
其中,fr、fn、fg分别表示可见光特征、红外光特征和灰度特征,LLSCE(·)表示标签平滑交叉熵损失函数,Gate(·)表示自适应选择门模块;
所述标签平滑交叉熵函数如下式所示:
其中,
其中,M和C分别表示一小批次的图像数量和类别数量,Pi,j表示第i个样本xi属于第j个类别的后验概率,σi,j表示标签平滑指示函数,ε>0表示手动调整的标签平滑参数,将训练得到的红外光分支或可见光分支作为所述野生动物类别识别模型;
将所述查询图像和注册图像输入所述野生动物类别识别模型,分别提取查询特征向量和注册特征向量,根据所述查询特征向量和注册特征向量确定所述待识别野生动物的类别识别结果。
2.根据权利要求1所述的基于灰度样本自适应选择门的野生动物类别识别方法,其特征在于,所述将所述可见光图像转换为灰度图像,具体包括:
采用下式将所述可见光图像转换为灰度图像:
其中,GrayTr(·)表示灰度转换函数,Xr表示可见光图像,R、G、B表示可见光图像Xr分离出的三个通道取值。
3.根据权利要求1所述的基于灰度样本自适应选择门的野生动物类别识别方法,其特征在于,所述特征提取模块包括依次连接的特征学习网络、全局平均池化层和批归一化层,所述灰度分支和所述可见光分支的批归一化层均与所述自适应选择门模块连接,所述灰度分支、可见光分支和红外光分支中的特征学习网络采用权重共享的策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311256034.2A CN116994295B (zh) | 2023-09-27 | 2023-09-27 | 基于灰度样本自适应选择门的野生动物类别识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311256034.2A CN116994295B (zh) | 2023-09-27 | 2023-09-27 | 基于灰度样本自适应选择门的野生动物类别识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116994295A CN116994295A (zh) | 2023-11-03 |
CN116994295B true CN116994295B (zh) | 2024-02-02 |
Family
ID=88530620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311256034.2A Active CN116994295B (zh) | 2023-09-27 | 2023-09-27 | 基于灰度样本自适应选择门的野生动物类别识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116994295B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315430B (zh) * | 2023-11-28 | 2024-03-12 | 华侨大学 | 面向大范围车辆再辨识的不完备模态特征融合方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461168A (zh) * | 2018-10-15 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 目标对象的识别方法和装置、存储介质、电子装置 |
JP2019152543A (ja) * | 2018-03-02 | 2019-09-12 | 株式会社東芝 | 目標認識装置、目標認識方法及びプログラム |
CN114743128A (zh) * | 2022-03-09 | 2022-07-12 | 华侨大学 | 一种基于异种神经网络的多模态东北虎再辨识方法及装置 |
CN116128779A (zh) * | 2022-12-27 | 2023-05-16 | 华侨大学 | 一种适用于跨模态行人再辨识的随机置色数据增强方法 |
CN116343330A (zh) * | 2023-03-07 | 2023-06-27 | 云南电网有限责任公司玉溪供电局 | 一种红外-可见光图像融合的异常行为识别方法 |
CN116757986A (zh) * | 2023-07-05 | 2023-09-15 | 南京信息工程大学 | 一种红外与可见光图像融合方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11109586B2 (en) * | 2019-11-13 | 2021-09-07 | Bird Control Group, Bv | System and methods for automated wildlife detection, monitoring and control |
-
2023
- 2023-09-27 CN CN202311256034.2A patent/CN116994295B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019152543A (ja) * | 2018-03-02 | 2019-09-12 | 株式会社東芝 | 目標認識装置、目標認識方法及びプログラム |
CN109461168A (zh) * | 2018-10-15 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 目标对象的识别方法和装置、存储介质、电子装置 |
CN114743128A (zh) * | 2022-03-09 | 2022-07-12 | 华侨大学 | 一种基于异种神经网络的多模态东北虎再辨识方法及装置 |
CN116128779A (zh) * | 2022-12-27 | 2023-05-16 | 华侨大学 | 一种适用于跨模态行人再辨识的随机置色数据增强方法 |
CN116343330A (zh) * | 2023-03-07 | 2023-06-27 | 云南电网有限责任公司玉溪供电局 | 一种红外-可见光图像融合的异常行为识别方法 |
CN116757986A (zh) * | 2023-07-05 | 2023-09-15 | 南京信息工程大学 | 一种红外与可见光图像融合方法及装置 |
Non-Patent Citations (4)
Title |
---|
ALMNet: Adjacent Layer Driven Multiscale Features for Salient Object Detection;Ashish Kumar Gupta et al;《IEEE Transactions on Instrumentation and Measurement》;第70卷;第1-14页 * |
基于轻量网络的近红外光和可见光融合的异质人脸识别;张典;汪海涛;姜瑛;陈星;;小型微型计算机系统(04);全文 * |
自适应参考图像的可见光与热红外彩色图像融合算法;刘佳妮 等;《光谱学与光谱分析》;第36卷(第12期);第3907-3914页 * |
融合多异构滤波器的轻型弱小目标检测网络;赵菲 等;《光学学报》;第43卷(第9期);第153-164页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116994295A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961089A (zh) | 基于度量学习和元学习的小样本和零样本图像分类方法 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN113076994B (zh) | 一种开集域自适应图像分类方法及系统 | |
CN108510194A (zh) | 风控模型训练方法、风险识别方法、装置、设备及介质 | |
CN111444960A (zh) | 基于多模态数据输入的皮肤病图像分类系统 | |
CN110321862B (zh) | 一种基于紧致三元损失的行人再识别方法 | |
CN116994295B (zh) | 基于灰度样本自适应选择门的野生动物类别识别方法 | |
CN113012811B (zh) | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 | |
CN112800876A (zh) | 一种用于重识别的超球面特征嵌入方法及系统 | |
CN109145944B (zh) | 一种基于纵向三维图像深度学习特征的分类方法 | |
CN113378706B (zh) | 一种辅助儿童观察植物和学习生物多样性的绘画系统 | |
CN113221694A (zh) | 一种动作识别方法 | |
CN112801942A (zh) | 一种基于注意力机制的柑橘黄龙病图像识别方法 | |
CN112560948A (zh) | 数据偏差下的眼底图分类方法及成像方法 | |
CN111259759A (zh) | 基于域选择迁移回归的跨数据库微表情识别方法及装置 | |
CN110766665A (zh) | 基于强监督算法和深度学习网络的舌象数据分析方法 | |
CN108846327B (zh) | 一种色素痣与黑素瘤的智能判别系统及方法 | |
JPH08305855A (ja) | 画像のパターン認識方法及び装置 | |
CN115640531A (zh) | 一种基于残差学习与注意力机制融合的故障诊断方法 | |
CN115909332A (zh) | 一种基于通道特征加强的农业遥感图像语义分割方法 | |
CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
CN112946682B (zh) | 一种高准确率高敏捷性的水下激光目标识别仪 | |
CN113723456B (zh) | 一种基于无监督机器学习的天文图像自动化分类方法及系统 | |
CN116503674B (zh) | 一种基于语义指导的小样本图像分类方法、装置及介质 | |
Sheshikala et al. | A survey paper on convolution neural network in identifying the disease of a cotton plant |
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 |