CN117315487A - 一种基于深度迁移学习的野生动物图像跨域识别方法 - Google Patents
一种基于深度迁移学习的野生动物图像跨域识别方法 Download PDFInfo
- Publication number
- CN117315487A CN117315487A CN202311450877.6A CN202311450877A CN117315487A CN 117315487 A CN117315487 A CN 117315487A CN 202311450877 A CN202311450877 A CN 202311450877A CN 117315487 A CN117315487 A CN 117315487A
- Authority
- CN
- China
- Prior art keywords
- domain
- wild animal
- animal image
- learning
- identification method
- 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
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013508 migration Methods 0.000 title claims abstract description 13
- 230000005012 migration Effects 0.000 title claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 19
- 238000013526 transfer learning Methods 0.000 claims abstract description 18
- 230000006978 adaptation Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 21
- 239000000284 extract Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06N3/094—Adversarial learning
-
- 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
- G06N3/096—Transfer learning
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域，尤其涉及一种基于深度迁移学习的野生动物图像跨域识别方法，包括，预先构建跨域野生动物图像数据集，形成域适应数据集；利用域对抗方法来提取野生动物域不变特征，以减少域偏移；在领域对抗神经网络中引入最大均值差异约束；在骨干网络后引入Transformer构建约束损失函数。本发明通过基于深度迁移学习的野生动物图像跨域识别方法，可以较好解决负迁移对野生动物分类准确性的影响问题,进而实现了野生动物图像的有效识别。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于深度迁移学习的野生动物图像跨域识别方法。
背景技术
野生动物监测和快速评价是野生动物种群保护的必要手段，对于了解野生动物种群动态、行为活动模式以及人为干扰(如偷猎)等至关重要。目前，红外相机已成为陆生大中型兽类和地栖鸟类的主要监测技术红外相机。生态学家采用红外相机拍摄的图像数据来监测野生动物的种群分布。随着时间的推移，越来越多的红外相机被布置在野外，同时这也让研究机构和动物保护组织获得了数量庞大的图像数据，有助于支撑野生动物的生态学研究和保护管理。为高效处理丰富的野生动物数据，通常采用深度学习模型对物种进行批量识别，以缩短数据处理周期，提高分类效率。
然而，野生动物图像数据集之间存在分布差异，这种差异主要由相机点位、数据采集时间以及采集设备的不同而引起，导致模型无法很好地适应新的分布外数据集，需要针对每个数据集重新标注和训练，但对新数据进行大规模标注是劳动密集型任务，使得模型重新训练实现困难。因此，研究如何将已标注数据集上学到的信息迁移到未标注的数据集上进行跨域识别任务，进一步提升模型的泛化性能，是当前面临的主要挑战。针对图像的跨域识别问题，最初研究用微调方法在预训练模型的基础上进行模型参数调整和优化来增强模型的鲁棒性，以减轻数据集之间的域偏移问题，但由于野生动物图像数据集之间的分布差异较大，微调方法虽有提升但仍表现不佳。因此，域自适应算法已被提出来补偿由于域偏移而引起的性能退化。为了解决上述问题，本发明提出一种基于深度迁移学习的野生动物图像跨域识别方法。
发明内容
本发明的目的在于提供一种基于深度迁移学习的野生动物图像跨域识别方法，以克服现有技术中复杂场景下的野生动物识别存在负迁移的问题。
为了实现上述目的，本发明采用了如下技术方案：
基于深度迁移学习的野生动物图像跨域识别方法，具体包括如下内容：
S1、基于现有迁移学习数据集构建跨域野生动物图像数据集，形成域适应数据集；
S2、利用域对抗方法提取野生动物域不变特征，以减少域偏移；
S3、在领域对抗神经网络中引入最大均值差异约束，构建融合感知对抗网络；
S4、在骨干网络后引入Transformer构建约束损失函数，设计一种跨域局部和全局代表性的学习方法；
S5、基于S1-S4所述操作，构建野生动物图像跨域识别模型，完成识别工作。
进一步地，S1中，所述迁移学习数据集为北美野生动物数据集ENA24和NACTI，其主要步骤包括：利用两个公开的北美野生动物数据集ENA24、NACTI构建分布包含不相交的域，记作S1和S2。数据集中包括11个动物类别，共25591幅图像。
进一步地，S2所述利用的域对抗方法来提取野生动物域不变特征，具体包括如下内容：对分类器预测进行域鉴别器D的调节，进一步利用熵正则化来提高分类器的性能，通过在未标记的目标样本上匹配目标域的特征，有利于类之间特征的低密度分离，再对域鉴别器D进行熵正则化，控制分类器预测输出c的不确定性，保证模型的可移植性。
进一步地，所述S3具体包括如下内容：基于对抗学习的无监督域适应方法，在全连接层上测量的分布对齐损失可以指导卷积层中的迁移学习，以提取更多可转移的样本特征表示，并减轻无关背景信息的影响，在分布对齐模块使用最大均值差异(Maximum MeanDiscrepancy，MMD)，其公式表示为：
其中，φ(·)表示特征空间到希尔伯特空间的一个映射；Ds和Dt分别表示源域和目标域；Ps和Pt分别表示源域和目标域样本的边缘分布；x表示输入的样本；为分布Ps的期望，/>为分布Pt的期望。
进一步地，所述S4具体包括如下内容：在骨干网络后设计一种基于Transformer的损失函数，通过Transformer单元构建局部和全局表示的关系，并通过特征提取器及标签识别器建立目标函数，设置相应的超参数对目标函数进行优化，所述基于Transformer的损失函数的表示如下：
其中，C表示野生动物数据集中的类别大小，yi是地面真实标签重新分级到第i类。
与现有技术相比，本发明提供了基于通道调制和空间调制的Raw域图像及视频去摩尔纹方法，具备以下有益效果：
本发明将领域对抗神经网络模型引入最大均值化差异约束模块，并将野生动物图像的迁移学习数据集作为领域对抗神经网络模型的迁移基础，并在引入模块中引入Transformer构建约束损失函数，提高野生动物图像识别任务的准确性。
附图说明
图1是本发明实施例1中提到的基于联合对抗网络和迁移注意力学习的野生动物图像跨域识别方法的流程图；
图2是本发明实施例1提到的北美野生动物数据集(ENA24、NACTI)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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
本发明通过一种基于深度迁移学习的野生动物图像跨域识别方法实现有效的深度无监督域适应，该网络通过在端到端框架中集成深度特征提取、条件对抗学习和分布对齐学习，共同提取域不变特征，并最大限度地减少域分类器损失。下面结合具体实例对本发明所提出的基于深度迁移学习的野生动物图像跨域识别方法进行描述，具体内容如下。
实施例1：
请参阅图1所示，本发明提出一种基于联合对抗网络和迁移注意力学习的野生动物图像跨域识别方法，具体包括如下内容：
S1、基于现有迁移学习数据集构建跨域野生动物图像数据集，形成域适应数据集；
移学习数据集为野生动物的迁移学习数据集迁移学习数据集为北美野生动物数据集(ENA24和NACTI)，本文利用北美野生动物数据集构建了分布包含不相交的域，即S1和S2。数据集中包括11个动物类别，共25591幅图像。
S2、利用域对抗方法提取野生动物域不变特征，以减少域偏移；具体包括如下内容：
对分类器预测进行域鉴别器D的调节。其中，本发明用f表示特征提取器提取到的特征，c表示分类器预测结果。域鉴别器的训练函数表述为：
然而，特征f与分类器c在这种串联方式下是不交互的。因此，模型不能从特征与分类中完全捕获乘性相互作用信息。本文进一步利用熵正则化来提高分类器的性能，通过在未标记的目标样本上匹配目标域的特征，有利于类之间特征的低密度分离：
其中，H是熵损失，表示模型给一个未标记样本/>的所有类预测的概率分布。在信息论中，熵函数是一种不确定性度量。因此，对域鉴别器D进行熵正则化，控制分类器预测输出c的不确定性，保证模型的可移植性。最终域鉴别器D的损失函数为：
S3、在领域对抗神经网络中引入最大均值差异约束，构建融合感知对抗网络；具体包括如下内容：
在全连接层上测量的分布对齐损失可以指导卷积层中的迁移学习，以提取更多可转移的样本特征表示，并减轻无关背景信息的影响，在分布对齐模块使用最大均值差异(Maximum Mean Discrepancy，MMD)：
其中，φ(·)表示特征空间到希尔伯特空间的一个映射；
S4、在骨干网络后引入Transformer构建约束损失函数，设计一种跨域局部和全局代表性的学习方法，以增强特征的可迁移性和建立远距离序列的关系，具体包括如下内容：
对于特征提取器G生成的局部特征XL和全局特征XG，我们利用Transformer单元来构建约束损失函数，以增强特征的可迁移性，并有助于更好的理解图像的整体结构和关系。每幅野生动物图像中的全局特征XG和局部特征XL可被识别并将其称为标记嵌入。所有这些标记嵌入特征在Transformer单元中执行的具体操作。然后，可以得到基于局部特征XL和全局特征XG生成的特征Z。最后，基于Transformer构建的损失函数定义如下：
其中，C表示野生动物数据集中的类别大小，yi是地面真实标签重新分级到第i类
S5、基于S1-S4所述操作，构建野生动物图像跨域识别模型，完成识别工作。
综上所述，本发明通过一种基于深度迁移学习的野生动物图像跨域识别方法实现有效的深度无监督域适应，该网络通过在端到端框架中集成深度特征提取、条件对抗学习和分布对齐学习，共同提取域不变特征，并最大限度地减少域分类器损失。本发明模型的总体目标为：
其中，α和β是对抗学习和分布对齐学习之间的平衡参数，需要在训练过程中进行微调。Lc为分类损失，像大多数的域适应方法一样，LT为Transformer构建的约束损失函数。本发明引入交叉熵分类损失：
其中，K是类别的数量，yi是源域标签的真实分布，pi是经过分类器后源域标签的分布。
具体而言，本实施例中，采取联合优化的方法，对特征提取器和标签识别器的参数进行优化，实现野生动物图像识别任务，提升网络对野生动物图像的识别能力。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于深度迁移学习的野生动物图像跨域识别方法，其特征在于，包括如下内容：
S1、基于现有迁移学习数据集构建跨域野生动物图像数据集，形成域适应数据集；
S2、利用域对抗方法提取野生动物域不变特征，以减少域偏移；
S3、在领域对抗神经网络中引入最大均值差异约束，构建融合感知对抗网络；
S4、在骨干网络后引入Transformer构建约束损失函数，设计一种跨域局部和全局代表性的学习方法；
S5、基于S1-S4所述操作，构建野生动物图像跨域识别模型，完成识别工作。
2.根据权利要求1所述的基于深度迁移学习的野生动物图像跨域识别方法，其特征在于，所述S1具体包括如下内容：利用两个公开的野生动物数据集构建分布包含不相交的域，记作S1和S2。
3.根据权利要求1所述的基于深度迁移学习的野生动物图像跨域识别方法，其特征在于，S2所述利用的域对抗方法来提取野生动物域不变特征，具体包括如下内容：对分类器预测进行域鉴别器D的调节，利用熵正则化法来提高分类器的性能，通过在未标记的目标样本上匹配目标域的特征，实现类之间特征的低密度分离，再对域鉴别器D进行熵正则化，控制分类器预测输出c的不确定性，以保证模型的可移植性。
4.根据权利要求1所述的基于深度迁移学习的野生动物图像跨域识别方法，其特征在于，所述S3具体包括如下内容：基于对抗学习的无监督域适应方法，在全连接层上测量的分布对齐损失可以指导卷积层中的迁移学习，以提取更多可转移的样本特征表示，并减轻无关背景信息的影响，在分布对齐模块使用最大均值差异，其公式表示为：
其中，φ(·)表示特征空间到希尔伯特空间的一个映射；Ds和Dt分别表示源域和目标域；Ps和Pt分别表示源域和目标域样本的边缘分布；x表示输入的样本；为分布Ps的期望，/>为分布Pt的期望。
5.根据权利要求1所述的基于深度迁移学习的野生动物图像跨域识别方法，其特征在于，所述S4具体包括如下内容：在骨干网络后设计一种基于Transformer的损失函数，通过Transformer单元构建局部和全局表示的关系，并通过特征提取器及标签识别器建立目标函数，设置相应的超参数对目标函数进行优化，所述基于Transformer的损失函数的表示如下：
其中，C表示野生动物数据集中的类别大小，yi表示地面真实标签重新分级到第i类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311450877.6A CN117315487B (zh) | 2023-11-02 | 2023-11-02 | 一种基于深度迁移学习的野生动物图像跨域识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311450877.6A CN117315487B (zh) | 2023-11-02 | 2023-11-02 | 一种基于深度迁移学习的野生动物图像跨域识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117315487A true CN117315487A (zh) | 2023-12-29 |
| CN117315487B CN117315487B (zh) | 2024-08-23 |
Family
ID=89249967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311450877.6A Active CN117315487B (zh) | 2023-11-02 | 2023-11-02 | 一种基于深度迁移学习的野生动物图像跨域识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117315487B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765480A (zh) * | 2024-02-20 | 2024-03-26 | 天科院环境科技发展（天津）有限公司 | 一种道路沿线野生动物迁徙预警方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10839269B1 (en) * | 2020-03-20 | 2020-11-17 | King Abdulaziz University | System for fast and accurate visual domain adaptation |
| CN115690534A (zh) * | 2022-10-26 | 2023-02-03 | 中国科学院计算技术研究所 | 一种基于迁移学习的图像分类模型的训练方法 |
| CN116304820A (zh) * | 2023-03-14 | 2023-06-23 | 广东石油化工学院 | 一种基于多源域迁移学习的轴承故障类型预测方法及系统 |
| CN116797271A (zh) * | 2023-04-26 | 2023-09-22 | 阿里云计算有限公司 | 基于域对抗迁移学习的新品销售预测方法和系统 |
-
2023
- 2023-11-02 CN CN202311450877.6A patent/CN117315487B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10839269B1 (en) * | 2020-03-20 | 2020-11-17 | King Abdulaziz University | System for fast and accurate visual domain adaptation |
| CN115690534A (zh) * | 2022-10-26 | 2023-02-03 | 中国科学院计算技术研究所 | 一种基于迁移学习的图像分类模型的训练方法 |
| CN116304820A (zh) * | 2023-03-14 | 2023-06-23 | 广东石油化工学院 | 一种基于多源域迁移学习的轴承故障类型预测方法及系统 |
| CN116797271A (zh) * | 2023-04-26 | 2023-09-22 | 阿里云计算有限公司 | 基于域对抗迁移学习的新品销售预测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| "基于深度学习的图像领域适应算法研究", 《中国优秀硕士论文全文数据库(信息科技辑)》, no. 01, 15 January 2023 (2023-01-15), pages 138 - 2968 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765480A (zh) * | 2024-02-20 | 2024-03-26 | 天科院环境科技发展（天津）有限公司 | 一种道路沿线野生动物迁徙预警方法及系统 |
| CN117765480B (zh) * | 2024-02-20 | 2024-05-10 | 天科院环境科技发展（天津）有限公司 | 一种道路沿线野生动物迁徙预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117315487B (zh) | 2024-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106778902B (zh) | 基于深度卷积神经网络的奶牛个体识别方法 | |
| CN110457982B (zh) | 一种基于特征迁移学习的作物病害图像识别方法 | |
| CN110046631A (zh) | 用于自动推断时空图像的变化的系统和方法 | |
| CN117315487B (zh) | 一种基于深度迁移学习的野生动物图像跨域识别方法 | |
| KR102517513B1 (ko) | 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법 | |
| CN105550709B (zh) | 一种遥感影像输电线路走廊森林区域提取方法 | |
| CN108345900B (zh) | 基于颜色纹理分布特征的行人重识别方法及其系统 | |
| CN113221848B (zh) | 基于多分类器域对抗网络的高光谱开放集领域自适应方法 | |
| CN116486408B (zh) | 遥感图像跨域语义分割方法及装置 | |
| CN112528788B (zh) | 一种基于域不变特征和时空特征的重识别方法 | |
| CN114548256A (zh) | 一种基于对比学习的小样本珍稀鸟类识别方法 | |
| Chen-McCaig et al. | Convolutional neural networks for texture recognition using transfer learning | |
| Freitas et al. | Deep learning embedded into smart traps for fruit insect pests detection | |
| CN117611885A (zh) | 一种基于Canny边缘检测的候鸟生态调控方法 | |
| Yang et al. | 3D convolutional neural network for hyperspectral image classification using generative adversarial network | |
| US20240203151A1 (en) | Systems and methods for classifying mosquito larvae based on extracted masks of anatomical components from images | |
| CN111897988B (zh) | 一种高光谱遥感图像分类方法及系统 | |
| CN117523626A (zh) | 伪rgb-d人脸识别法 | |
| CN114049500A (zh) | 基于元学习重加权网络伪标签训练的图像评价方法及系统 | |
| CN114937308A (zh) | 一种基于人体动态行为特征识别的智能安防系统及其实现方法 | |
| Mayuri et al. | Artificial Neural Network (ANN) With Chan-Vese (CV) Algorithm-Based Plant Disease Detection And Classification | |
| CN113780439B (zh) | 基于无监督域适应的不同类型气象卫星的多云识别系统 | |
| CN114998973B (zh) | 一种基于域自适应的微表情识别方法 | |
| CN113011324B (zh) | 基于特征图匹配和超像素图排序的目标跟踪方法及装置 | |
| Lakshmi et al. | Whale Optimization based Deep Residual Learning Network for Early Rice Disease Prediction in IoT |
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 |