[发明专利]基于OHEM算法的生态生物识别方法

权利要求书

1.基于OHEM算法的生态生物识别方法，其特征在于，包括如下步骤：

S1发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；

S2采用图像归一法和图像增强法对采集的生物图像数据进行处理，得到处理后的生物图像数据；

S3通过OHEM算法对预处理后的生物图像数据进行目标检测；

S31将Fast RCNN分成两个components：ConvNet和RoINet；

S32对于每张输入图像，经前向传播，用ConvNet获得feature maps；

S33将事先计算好的proposals，经RoI Pooling层投影到feature maps上，获取固定的特征输出作为全连接层的输入；

S4将检测后的生物图像数据进行生态生物识别。

2.根据权利要求1所述的基于OHEM算法的生态生物识别方法，其特征在于，所述步骤S31中ConvNet为共享的底层卷积层，RoINet为RoI Pooling后的层，包括全连接层。

3.根据权利要求1所述的基于OHEM算法的生态生物识别方法，其特征在于，所述步骤S31的RoINet有两个：RoINet1和RoINet2，且RoINet1和RoINet2共享权重。

4.根据权利要求3所述的基于OHEM算法的生态生物识别方法，其特征在于，所述RoINet1进行forward，RoINet2进行forward和backward，其具体步骤为：

a将原图的所有props扔到RoINet1，计算它们的loss；

b根据loss从高到低排序，以及利用NMS，来选出前K个props；

c将选出的K个props扔到RoINet2；

d这时的RoINet2和Fast RCNN的RoINet一样，计算K个props的loss，并回传梯度/残差给ConvNet，来更新整个网络。

5.根据权利要求1所述的基于OHEM算法的生态生物识别方法，其特征在于，所述步骤S31在Fast-RCNN里的loss layer里面对所有的props计算其loss，根据loss对其进行排序，选出K个hard examples。

6.根据权利要求1所述的基于OHEM算法的生态生物识别方法，其特征在于，所述步骤S3还进行反向传播，反向传播时只对这K个props的梯度/残差回传，而其他的props的梯度/残差设为0。

7.根据权利要求1所述的基于OHEM算法的生态生物识别方法，其特征在于，所述Fast-RCNN框架，在每次minibatch训练时加入在线筛选hard region。

8.根据权利要求1所述的基于OHEM算法的生态生物识别方法，其特征在于，所述步骤S1之前还收集生物特征数据，并将收集的生物特征数据制成生物特征目标，步骤S4将生物特征数据包与特征模板进行匹配，得到生物识别结果。