[发明专利]一种基于改进的卷积神经网络的鸟类识别方法

说明书

本发明公开了一种基于改进的卷积神经网络的鸟类识别方法，包括：利用鸟类识别器对待识别的鸟类图像进行识别，得到待识别的鸟类图像的鸟类类别；所述鸟类识别器的训练包括：构建样本鸟类图像的数据集；在卷积神经网络的ResNet50输入层之后增加BN层，在5层卷积层之后增加2层卷积层，在FC层之前增加Dropout层，得到改进的卷积神经网络；利用样本鸟类图像的数据集训练改进的卷积神经网络，得到鸟类识别器。本发明基于迁移学习的思想，对卷积神经网络进行改进，将其应用在鸟类属性识别上，在样本量有限的前提下，获得了比改进之前的网络更好的结果。

技术领域

本发明属于图像识别和生物辨识领域，更具体地，涉及一种基于改进的卷积神经网络的鸟类识别方法。

背景技术

近年来，以卷积神经网络为代表的深度学习算法在很多计算机视觉领域都取得突破性的进展，尤其是图像分类、目标跟踪、图像分割、目标检测等。但是当数据集发生变化时，卷积神经网络学习到的特征和具体任务的匹配度就不高了，其模型的泛化能力就还有待提升，因此需要针对具体的任务和需求，设计出基于特征任务的卷积神经网络，以满足现实场景的需求。

然而现有技术中关于鸟类识别的准确率较低。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于改进的卷积神经网络的鸟类识别方法，由此解决现有技术中关于鸟类识别的准确率较低的技术问题。

为实现上述目的，本发明提供了一种基于改进的卷积神经网络的鸟类识别方法，包括：

利用鸟类识别器对待识别的鸟类图像进行识别，得到待识别的鸟类图像的鸟类类别；所述鸟类识别器的训练包括：

(1)构建样本鸟类图像的数据集；

(2)在卷积神经网络的ResNet50输入层之后增加BN层，在5层卷积层之后增加2层卷积层，在FC层之前增加Dropout层，得到改进的卷积神经网络；

(3)利用样本鸟类图像的数据集训练改进的卷积神经网络，得到鸟类识别器。

进一步地，样本鸟类图像的数据集中同一种类别的样本鸟类图像具有不同的背景和不同的姿态。

进一步地，背景包括：海面、森林、天空和草地。

进一步地，姿态包括：行走、站立、跳跃和觅食。

进一步地，2层卷积层的卷积核依次为3x3和1x1。

进一步地，步骤(3)包括：

(3.1)将数据集划分为训练集和验证集，采用水平翻转、[-5°，5°]的角度随机旋转、[-5，5]个像素水平平移的方式对训练集进行增强，验证集不采取任何增强措施；

(3.2)使用数据集对改进的卷积神经网络进行预训练，得到初始网络参数，利用初始网络参数型对改进的卷积神经网络进行参数初始化；

(3.3)使用SGD优化器进行参数更新，并将L2正则化系数设置为e^-4，利用增强的训练集训练改进的卷积神经网络，利用验证集进行验证，训练N轮后，得到鸟类识别器。

进一步地，预训练过程中，对改进的卷积神经网络的前4层卷积层的参数进行冻结。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：