[发明专利]一种针对密集鸟群的深度学习以及识别方法有效
申请号: | 201910522144.6 | 申请日: | 2019-06-17 |
公开(公告)号: | CN110210577B | 公开(公告)日: | 2021-01-29 |
发明(设计)人: | 唐灿;江朝元;曹晓莉;封强;柳荣星;孙雨桐;刘崇科;马吉刚;彭鹏;李靖 | 申请(专利权)人: | 重庆英卡电子有限公司 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06K9/00 |
代理公司: | 重庆为信知识产权代理事务所(普通合伙) 50216 | 代理人: | 余锦曦 |
地址: | 400000 重庆*** | 国省代码: | 重庆;50 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 针对 密集 鸟群 深度 学习 以及 识别 方法 | ||
1.一种针对密集鸟群的深度学习方法,其特征在于,包括鸟群照片的概率密度图生成流程以及全卷积神经网络的训练流程;
鸟群照片的概率密度图生成流程包括如下步骤:
步骤A1:建立鸟群照片集,将鸟群照片输入鸟群照片集;
步骤A2:制定一个颜色表,该颜色表设置有对应的鸟类密度数值;
步骤A3:依次从鸟群照片集中取出鸟群照片;
步骤A4:使用标记工具人工对鸟群照片中所有鸟进行打点标记;
步骤A5:使用自适应高斯卷积将标记的鸟群照片转换为连续密度函数;
步骤A6:将连续密度函数的数值与颜色表的鸟类密度数值进行查表映射,得到对应的可视化的概率密度图A;
步骤A7:判断是否还有未标记的鸟群照片,如果有转步骤A3,没有,则结束;
全卷积神经网络的训练流程包括如下步骤:
步骤B1:获取标记的鸟群照片集;
步骤B2:将鸟群照片集中的鸟群照片进行图像增加处理;得到增加处理的鸟群图像;
步骤B3:建立自定义的FCNN全卷积神经网络;
步骤B4:获取FCNN全卷积神经网络对应的损失函数;
步骤B5:确定损失函数的终止损失函数阈值以及迭代次数阈值;
步骤B6:从鸟群照片集中依次取出鸟群图像,将鸟群图像输入到FCNN全卷积神经网络中,得到概率密度图B;
步骤B7:根据概率密度图B和对应的概率密度图A,计算对应的损失函数的函数值,训练FCNN全卷积神经网络,得出对应的权重值;
步骤B8:判断损失函数的函数值是否小于终止损失函数值,如果是转步骤B10,如果否,转步骤B9;
步骤B9:判断损失函数的迭代次数是否大于迭代次数阈值;如果是转步骤B10,否则转步骤B6;
步骤B10:保存该权重值作为最终权重值。
2.根据权利要求1所述的一种针对密集鸟群的深度学习方法,其特征在于,
所述步骤A2制定的颜色表的颜色由浅变深,对应设置由低到高的鸟类密度数值。
3.根据权利要求1所述的一种针对密集鸟群的深度学习方法,其特征在于,
所述步骤A5包括:
步骤A51:用鸟群图像函数H(x)表示标记好的鸟群照片;
用xi表示鸟群照片中某只鸟的标记点的中心坐标位置,对于一张有N只鸟标记的鸟群照片可以用鸟群图像函数H(x)表示;
其中公式(1)中,x表示鸟群照片中任意的图像点,δ表示标记点的中心坐标位置xi的简单冲击函数;
步骤A52:使用自适应高斯卷积将鸟群图像函数H(x)转换为连续密度函数;
自适应高斯卷积的公式为:
其中公式(2)中,F(x)为连续密度函数,σi为高斯核标准差;
公式(3)中,β为超参数,β取值为0.37;
表示标记点的中心坐标位置xi距离其k个邻近标记点的欧式距离和的平均,
其中公式(4)中的k表示中心坐标位置xi具有k个邻近标记点;
其中步骤A6中,将连续密度函数F(x)的数值与颜色表的鸟类密度数值进行查表映射,得到用颜色表示的对应的可视化的概率密度图A。
4.根据权利要求1所述的一种针对密集鸟群的深度学习方法,其特征在于,所述步骤B2包括,
步骤B21:对鸟群照片集中的鸟群照片进行水平翻转;
步骤B22:对水平翻转后的每张鸟群照片裁剪4次,得到4张图像子块,每个图像子块均为原鸟群照片的1/4,清除原鸟群照片,将裁剪得到的图像子块作为鸟群图像加入鸟群照片集中。
5.根据权利要求4所述的一种针对密集鸟群的深度学习方法,其特征在于,所述步骤B3中FCNN全卷积神经网络的网络结构表格为
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于重庆英卡电子有限公司,未经重庆英卡电子有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910522144.6/1.html,转载请声明来源钻瓜专利网。