[发明专利]一种基于图像的动物物种细分类方法、系统及介质

权利要求书

1.一种基于图像的动物物种细分类方法，其特征在于，包括：

获取动物待分类图像；

利用卷积神经网络定位所述图像中含有动物的目标区域，并进行动物物种粗分类得到动物所属物种；

判断动物所属物种是否为已知物种；

若否，则判定动物为新物种；

若是，则将含有动物的目标区域的图像输入细分类网络模型中识别出动物的具体类别；

判断动物的具体类别是否为已知类别；

若是，则输出动物的类别；

若否，则判定动物为新物种；

将含有动物的目标区域的图像输入细分类网络模型中识别出动物的具体类别的方法包括：

将含有动物的目标区域的图像输入训练好的细分类网络模型中，输出特征图S；

将特征图S分别输入训练好的A分支卷积神经网络和B分支卷积神经网络，A分支卷积神经网络和B分支卷积神经网络分别得到相应的热力图S_2A和S_2B；

将A分支卷积神经网络的热力图S_2A和B分支卷积神经网络的热力图S_2B进行相加，将相加得到的结果通过GAP层得到向量Y；

对所述向量Y进行非最大值抑制处理，最大概率所对应的类别为识别出的动物类别；

在所述将含有动物的目标区域的图像输入训练好的细分类网络模型中的步骤之前还包括对细分类网络模型进行训练，训练的方法包括：将每一个已知动物物种的图片进行预处理；

将预处理后的图片输入基础网络模型中，输出K张W×H的特征图S∈R^K×W×H，K为自然数，W为特征图的宽度，H为特征图的高度；

将特征图S分别输入A分支卷积神经网络和B分支卷积神经网络中，

从A分支卷积神经网络输出k张w×h的特征图S_1A∈R^k×w×h，再经过GAP层得到相应的特征向量F_A∈R^k×1×1；

从B分支卷积神经网络输出k张w×h的特征图S_1B∈R^k×w×h，再经过GAP层也可以得到相应的特征向量F_B∈R^k×1×1；

其中，k为自然数，w为分支卷积神经网络输出的特征图的宽度，h为分支卷积神经网络输出的特征图的高度；

将所述F_A和F_B分别接入Triplet Loss损失函数；

设定一个已知动物物种的类别为p，将所述特征图S_1A通过第一卷积核，第一卷积核为p个1×1的卷积核，得到p张w×h的热力图S_2A∈R^p×w×h；

假设输入图片的类别属于第i类，从A分支卷积神经网络的热力图S_2A中抽取第i张热力图S_2A[i]∈R^w×h；

对所述热力图进行negative操作，得到相应的mask∈R^w×h；

将所述特征图S_1B通过第二卷积核，所述第二卷积核为p个1×1的卷积核，得到p张w×h的热力图S_2B∈R^p×w×h，将B分支卷积神经网络的热力图S_2B中的第i张热力图S_2B[i]∈R^w×h乘以mask；

将A分支卷积神经网络的热力图S_2A通过GAP层后会分别得到一个p维的向量Y_A，Y_A＝[y₀^A，y₁^A，...y_p-1^A]，同时将B分支的热力图S_2B通过GAP层后会分别得到一个p维的向量Y_B，Y_B＝[y₀^B，y₁^B，...y_p-1^B]，分别将Y_A和Y_B接入Softmax Loss损失函数对细分类网络模型训练。