[发明专利]一种基于对抗互补学习的弱监督蝴蝶目标检测方法

说明书

本发明公开了一种基于对抗互补学习的弱监督蝴蝶目标检测方法，依次包括以下步骤：首先将爬虫爬取到的蝴蝶生态图像和蝴蝶标本图像按照类别进行混合，构成蝴蝶数据集；然后将图像裁剪并标准化处理；接着将蝴蝶数据集按比例划分为训练图像集和测试图像集；之后建立骨干网络和对抗互补学习网络，使用训练集训练网络，待网络收敛时保存模型；最后将测试图像输入到训练好的网络模型得到目标检测结果图。

技术领域

本发明属于图像识别技术领域，尤其涉及一种基于对抗互补学习的弱监督蝴蝶目标检测方法。

背景技术

蝴蝶是节肢动物门、昆虫纲、鳞翅目、锤角亚目的一类昆虫。一方面，幼虫期的蝴蝶以农林业作物为食，是农林业的主要害虫之一；另一方面，蝴蝶是一种宝贵的环境指标，其监测数据被用在生态环境监测、生物多样性保护等方面，同时，蝴蝶具有很高的观赏价值和经济价值，是一种自然资源。因此，蝴蝶的分类与鉴定在农林业病虫防治、环境保护、蝴蝶产业发展等实际工作方面都具有重大意义。

传统的蝴蝶鉴别方式主要有人工鉴定和生化学鉴定两种方式。人工鉴定方式主要通过将生态学特征和标本特征进行比对，此方法依赖于长期的经验积累且较为费时；生化学鉴定方式利用蝴蝶生殖器对生物化学试剂的反应，此方法依赖于专业的生化学知识且代价较为昂贵。因此，这两种方法均不具备蝴蝶鉴定的普适性。

随着图像处理技术和机器学习理论的发展，研究者通过机器学习方法实现蝴蝶的鉴定，主要方法为人工提取蝴蝶的图像特征(蝴蝶翅面的颜色、纹理以及形状信息)，然后根据这些特征信息进行数学建模，确定分类器进行分类。

机器学习方法大多需要人工选择图像特征，特征提取和特征选择在很大程度上决定了分类的最终效果。同时，机器学习方法均集中于蝴蝶标本图像的识别，对蝴蝶生态图像(生态环境中拍摄的蝴蝶图像)缺乏有效的识别手段。在生态图像中，一方面，蝴蝶大多没有占据图像中的全部位置；另一方面，蝴蝶具有拟态能力，使得蝴蝶目标与背景难以区分，这均为蝴蝶图像的识别带来了巨大的挑战。因此，为了更好的识别生态图像中的蝴蝶，需要先确定蝴蝶在图像中的位置，然后再完成蝴蝶的识别，此为蝴蝶的目标检测。

以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习方法在图像识别领域取得了巨大的成功。深度学习方法可以自动提取图像特征，在图像分类、目标检测、图像分割等多种任务上取得了很大的突破。针对目标检测任务，以R-CNN系列为代表的两阶段目标检测算法和以SSD、YOLO等为代表的一阶段目标检测算法取得了优异的效果，但是，这些算法均属于全监督检测算法，依赖于手工标注的物体边界框，代价昂贵。为解决全监督检测算法的问题，研究人员开始关注如何在弱监督(仅有图像级标签)的情况下完成目标检测，并出现了一些成果。例如，Zhou等人使用全局平均池化(global averagepooling，GAP)层代替VGG的全连接层，获取物体的位置信息，但是这种方法仅能获得最具区分能力的区域。Singh等人在Zhou方法的基础上，将每次输入的图像随机隐藏区域块，来获得更多的区分区域。然而，由于随机隐藏，该方法不能有效地定位到物体的整体区域。

本发明通过对抗互补学习方法，仅使用图像级标签，以弱监督的方式，有效地定位蝴蝶在图像中的全部位置，并识别出蝴蝶的类别。

发明内容

本发明要解决的技术问题是，提供一种基于对抗互补学习的弱监督蝴蝶目标检测方法，用于蝴蝶图像的目标检测。为实现上述目的，本发明采用如下的技术方案：

一种基于对抗互补学习的弱监督蝴蝶目标检测方法包括以下步骤：