[发明专利]基于深度学习的鱼类细粒度分类方法

说明书

本发明公开了一种基于深度学习的鱼类细粒度分类方法，包括将获取的图像进行预处理，使用深度神经网络进行特征提取，构建特征金字塔网络进行区域提议，对提议出的区域进行裁剪和特征提取，随后一方面利用提取出的特征做一次分类，将该分类的准确率作为监督信号输入到区域提议网络，另一方面将该特征与全图特征融合送入全连接层做分类，输出最终的分类结果。本发明解决了现有物体分类技术在做细粒度分类任务时，由于环境复杂、类别间细微的类间差异和较大的类内差异造成的准确率较低的问题，该方法在复杂背景下对鱼类图像进行细粒度分类时，识别时间短，识别准确率高，无需额外标签信息，适宜于推广应用。

技术领域

本发明涉及图像处理、及其视觉、神经网络技术领域，特别是涉及一种基于深度学习的鱼类细粒度分类方法。

背景技术

细粒度图像分类(Fine-Grained Categorization)，又被称作子类别图像分类(Sub-Category Recognition)，是近年来计算机视觉、模式识别等领域一个非常热门的研究课题。其目的是对粗粒度的大类别进行更加细致的子类划分，但由于子类别间细微的类间差异和较大的类内差异，较之普通的图像分类任务，细粒度图像分类难度更大。对鱼类的细粒度分类在渔业中具有很大的商业应用价值。与传统的人工识别方式相比较，基于深度学习的鱼类细粒度分类方法具有巨大的优势，在速度和准确率方面要远超人类的工作效率，尤其是在人们随着工作时间的增加而处于疲劳状态下，人们不单单分类的速度降低，准确率也要自然而然的降低。人类在处理机械式的繁琐工作时天然的无法战胜机器，为了追求资源配置的合理优化，将人类从此类工作中解放出来并投入到其他工作势在必然，细粒度分类这项技术就伴随着人类的这种诉求诞生出来。

自从2015年深度学习占领各大图像处理比赛榜首之后，从AlexNet，VGG，InceptionNet到ResNet，通过卷积神经网络构建的深度学习在分类上的准确率越来越高。现在的图像处理大部分使用的方法都是深度学习。神经网络通过很多的神经元构建成一层一层的网络，通过激活层来使得模型有很强的非线性拟合的能力。设计者只需要将图像和标签输入，模型便会自动的学习特征提取与结果映射。神经网络本质上是矩阵相乘与非线性的组合，通过很多很多的滤波核，来过滤对结果最为有用的特征而抑制对结果没有用的特征，来进行学习与分类。

现有技术在复杂背景下进行鱼类图像细粒度分类时主要采用两种方法，一种是采用基于先验的传统分类算法，另一种是基于学习的分类算法。基于先验的分类算法往往无法有效解决鱼类细粒度分类任务上类内差距大、类间差距小所带来的难点，因此造成分类精度低，无法满足应用要求。而基于学习的细粒度分类算法能够取得较好的分类精度，但同时也面临识别时长、识别的准确率低、需要额外标签信息的问题，由此增加了时间和人力成本，降低了捕鱼业的工作效率与效益。

因此亟需提供一种基于深度学习的鱼类细粒度分类方法来解决上述技术问题。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的鱼类细粒度分类方法，能够在复杂背景下对鱼类图像进行准确地细粒度分类，识别时间短。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于深度学习的鱼类细粒度分类方法，包括以下步骤：

S1：将获取的拍摄图像进行预处理；

S2：使用深度神经网络对预处理后的图像进行特征提取，利用可变卷积为深度神经网络中的卷积层选取合适的采样点，得到特征图；

S3：构建特征金字塔网络作为区域提议网络，在该网络中的每一个特征尺度上设置锚，将步骤S2输出的特征图输入特征金字塔网络，计算每一个锚对应的局部区域的信息量；

S4：取信息量最大的至少四个局部区域进行上采样，输入步骤S2中的深度神经网络，对提取出的区域进行特征提取，输出特征图；