CN111091162A - 一种物种细分类方法、***、终端及介质 - Google Patents

一种物种细分类方法、***、终端及介质 Download PDF

Info

Publication number
CN111091162A
CN111091162A CN202010193950.6A CN202010193950A CN111091162A CN 111091162 A CN111091162 A CN 111091162A CN 202010193950 A CN202010193950 A CN 202010193950A CN 111091162 A CN111091162 A CN 111091162A
Authority
CN
China
Prior art keywords
image
animal
global
classification
classified
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010193950.6A
Other languages
English (en)
Inventor
赵启军
陈鹏
冯志聪
侯蓉
刘鹏
陈玉祥
张志和
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING
Sichuan University
Original Assignee
CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING
Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING, Sichuan University filed Critical CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING
Priority to CN202010193950.6A priority Critical patent/CN111091162A/zh
Publication of CN111091162A publication Critical patent/CN111091162A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种物种细分类方法、***、终端及介质，包括以下步骤：获取待分类动物图像；细分类卷积神经网络模型对待分类动物图像进行物种细分类识别；细分类卷积神经网络模型输出动物物种分类识别结果。本发明的有益效果在于：利用计算机对待分类图像中的动物特征自动识别出动物所属子类，减少人工工作量，准确度高。

Description

一种物种细分类方法、***、终端及介质
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种基于自适应寻找判别区域的物种细分类方法、***、终端及介质。
背景技术
物种细分类任务是指对物种的大类进行更加精确的子类划分，如识别不同种类的鸟、花、车和飞机等。在实际生活中，识别不同子类存在广泛的应用需求。例如，在生态环境保护中，能有效地识别动植物的子类类别有助于推动对生态的研究。然而，该任务存在一定的挑战性。一方面，同一物种下的子类类间差异较细微，往往需要借助物体局部的判别性差异进行区分；另一方面，子类类内差异较大，存在着姿态、遮挡、背景干扰等诸多影响因素。为了解决以上问题，有一部分研究利用人工标注的信息来区分不同子类，如标注鸟类的头部，翅膀和尾巴等人类认为具有区分性的部位，综合这些部位的特征进行识别。然而这类方法有以下的缺点：1.需要花费大量人力资源进行区域信息标注。2.人类认为具有区分性的部位不一定适用于计算机识别。
发明内容
针对现有技术中的缺陷，本发明实施例提供一种基于自适应寻找判别区域的物种细分类、***、终端及介质，利用计算机对待分类图像中的动物特征自动识别出动物的具体类别，减少人工工作量，准确度高。
第一方面，本发明实施例提供的一种基于自适应寻找判别区域的物种细分类方法，包括以下步骤：
获取待分类动物图像；
细分类卷积神经网络模型对待分类动物图像进行物种细分类识别；
细分类卷积神经网络模型输出动物物种分类识别结果。
可选地，细分类卷积神经网络模型对待分类动物图像进行物种细分类识别的具体方法包括：
将待分类动物图像依次经过全卷积网络、全局平均池化、全连接和softmax操作，依次得到基于全局图像的特征图、全局图像特征、全局图像属于动物类别的分数和基于全局图像的分类结果；
根据全局图像的特征图和分类权重信息生成判别图，所述判别图反映出待分类动物图像中相关区域的判别性；
从待分类动物图像中选取判别区域，并对所述判别区域进行处理，得到区域特征和对应的分类结果；
从区域特征中选择部分区域特征与全局图像特征进行拼接，得到混合特征，将混合特征通过softmax操作，得到预测分类结果。
可选地，将待分类动物图像依次经过全卷积网络、全局平均池化、全连接和softmax操作，得到基于全局图像的分类结果的具体方法包括：
将所述待分类动物图像经过全卷积网络，得到基于全局图像的特征图；
对特征图进行全局平均化得到全局图像特征；
将全局图像特征通过全连接得到全局图像属于动物类别的分数；
对动物类别分数进行softmax操作得到基于全局图像的分类结果。
可选地，从待分类动物图像中选取判别区域，并对所述判别区域进行处理，得到区域特征和对应的分类结果的具体方法包括：
根据判别图像素值的大小对具有判别性的区域进行排序；
采用非最大抑制的方法进行处理，选择前m个判别性区域，其中，m为整数；
从待分类动物图像中将m个具有判别性区域图像裁剪出来并放大到相同尺寸，将裁剪得到的图像依次通过全卷积网络、全局平均池化、全连接和softmax操作，得到区域特征和对应的分类结果。
第二方面，本发明实施例提供的基于自适应寻找判别区域的物种细分类***，包括图像获取模块、细分类识别模块和识别结果输出模块，
所述图像获取模块用于获取待分类动物图像；
所述细分类识别模块用于利用卷积神经网络模型对待分类动物图像进行物种细分类识别；
所述识别结果输出模块用于输出动物物种分类识别结果。
可选地，细分类识别模块利用卷积神经网络模型对待分类动物图像进行物种细分类识别的具体方法包括：将待分类动物图像依次经过全卷积网络、全局平均池化、全连接和softmax操作，依次得到基于全局图像的特征图、全局图像特征、全局图像属于动物类别的分数和基于全局图像的分类结果；
根据全局图像的特征图和分类权重信息生成判别图，所述判别图反映出待分类动物图像中相关区域的判别性；
根据判别图从待分类动物图像中选取判别性高的区域，并将所述判别区域从原图像裁剪出来，送入卷积神经网络模型得到区域特征和对应的分类结果；
从区域特征中选择部分区域特征与全局图像特征进行拼接，得到混合特征，将混合特征通过softmax操作，得到预测分类结果。
可选地，细分类识别模块将待分类动物图像依次经过全卷积网络、全局平均池化、全连接和softmax操作，得到基于全局图像的分类结果的具体方法包括：
将所述待分类动物图像经过全卷积网络，得到基于全局图像的特征图；
对特征图进行全局平均化得到全局图像特征；
将全局图像特征通过全连接得到全局图像属于动物类别的分数；
对动物类别分数进行softmax操作得到基于全局图像的分类结果。
可选地，细分类识别模块进行选取判别区域，并对所述判别区域进行处理，得到区域特征和对应的分类结果的具体方法包括：
根据判别图像素值的大小对具有判别性的区域进行排序；
采用非最大抑制的方法进行处理，选择前m个判别性区域，其中，m为整数；
从待分类动物图像中将m个具有判别性区域图像裁剪出来并放大到相同尺寸，将裁剪得到的图像依次通过全卷积网络、全局平均池化、全连接和softmax操作，得到区域特征和对应的分类结果。
第三方面，本发明实施例提供的一种智能终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述实施例描述的方法步骤。
第四方面，本发明实施例提供的一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法步骤。
本发明的有益效果：
本发明实施例提供的一种基于自适应寻找判别区域的物种细分类方法、终端、终端及介质，利用计算机对待分类图像中的动物特征自动识别出动物所属子类，减少人工工作量，准确度高。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明第一实施例所提供的一种基于自适应寻找判别区域的物种细分类方法的流程图；
图2示出了本发明第一实施例的细分类卷积神经网络的模型的框架图；
图3示出了本发明第二实施例所提供的一种基于自适应寻找判别区域的物种细分类***的结构示意图；
图4示出了本发明第三实施例所提供的一种智能终端的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为 “当... 时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
图1示出了本发明第一实施例所提供的一种基于自适应寻找判别区域的物种细分类方法的流程图，该方法包括以下步骤：
S1:获取待分类动物图像。
S2:细分类卷积神经网络模型对待分类动物图像进行物种细分类识别。
S3:细分类卷积神经网络模型输出动物物种分类识别结果。
细分类卷积神经网络模型对动物物种进行细分类识别，主要思想利用全局图像的分类权重信息找出图像中具有判别性的区域。细分类卷积神经网络模型的框架图如图2所示。给定一张输入图片I ，经过全卷积网络后，得到基于全局图像的特征图
Figure DEST_PATH_IMAGE001
，其中，h表示基于全局图像特征图的宽度，w表示基于全局图像特征图的长度，对特征图 Z进行全局平均池化得到全局图像特征
Figure DEST_PATH_IMAGE002
，该特征通过全连接得到全局图像属于动物各类别的分数S ，计算方式如下：
Figure DEST_PATH_IMAGE003
其中， C表示分类总类别，
Figure DEST_PATH_IMAGE004
表示全连接中属于
Figure DEST_PATH_IMAGE005
类的权重。对类别分数S进行softmax操作得到基于全局图像的分类结果。
接着，全局图像的特征图
Figure DEST_PATH_IMAGE006
和分类权重
Figure DEST_PATH_IMAGE007
用于生成判别图
Figure DEST_PATH_IMAGE008
，判别图 M能反映出输入图像 I 中相关区域的判别性，生成方式如下：
Figure DEST_PATH_IMAGE009
其中 max 表示对 C个
Figure DEST_PATH_IMAGE010
进行跨通道的最大值选取。判别图M中的每个像素点位置是对应于原图某个位置，并且代表着一定的区域大小。通过卷积操作感受区域的反推算，可得出对应于原图的位置和区域大小，即可获得判别图 M中每个像素对应于图像I 中的区域位置，而每个像素值可表示该区域的判别性（像素值越大，判别性越大）。为了选取前m 个最有判别性的区域，首先根据像素值的大小对相应区域进行排序，然后采用非最大抑制来减少区域的冗余，最后选出前m 个判别性区域。将这些区域从原图I中裁剪出来并放大到相同尺寸，依次通过全卷积网络、全局平均池化、全连接和softmax操作，得到这些区域的特征
Figure DEST_PATH_IMAGE011
和对应的分类结果。
为了综合全局图像特征与区域特征，从 m个区域特征中选择前
Figure DEST_PATH_IMAGE012
个与全局图像特征进行拼接，得到混合特征
Figure DEST_PATH_IMAGE013
，该特征通过softmax操作得到其分类结果。
在网络训练阶段，对所有softmax分类结果用交叉熵损失函数进行误差的梯度反传。其中，所有全卷积网络共享其权重，判别性区域共享其分类权重。在测试阶段，输入一张图像，用混合特征F 的输出结果作为最终的预测分类结果。
本发明实施例提供的一种基于自适应寻找判别区域的物种细分类方法，利用计算机对待分类图像中的动物特征自动识别出动物所属子类，减少人工工作量，准确度高。
在上述的第一实施例中，提供了一种基于自适应寻找判别区域的物种细分类方法，与之相对应的，本申请还提供一种基于自适应寻找判别区域的物种细分类***。请参考图3，其为本发明第二实施例提供的一种基于自适应寻找判别区域的物种细分类***的结构示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
如图3所示，本发明第二实施例提供的一种基于自适应寻找判别区域的物种细分类***，包括图像获取模块、细分类识别模块和识别结果输出模块，图像获取模块用于获取待分类动物图像；细分类识别模块用于利用卷积神经网络模型对待分类动物图像进行物种细分类识别；识别结果输出模块用于输出动物物种分类识别结果。
具体地，***中细分类识别模块利用卷积神经网络模型对待分类动物图像进行物种细分类识别的具体方法包括：将待分类动物图像依次经过全卷积网络、全局平均池化、全连接和softmax操作，依次得到基于全局图像的特征图、全局图像特征、全局图像属于动物类别的分数和基于全局图像的分类结果；根据全局图像的特征图和分类权重信息生成判别图，所述判别图反映出待分类动物图像中相关区域的判别性；从待分类动物图像中选取判别区域，并对所述判别区域进行处理，得到区域特征和对应的分类结果；从区域特征中选择部分区域特征与全局图像特征进行拼接，得到混合特征，将混合特征通过softmax操作，得到预测分类结果。
具体地，***中细分类识别模块将待分类动物图像依次经过全卷积网络、全局平均池化、全连接和softmax操作，得到基于全局图像的分类结果的具体方法包括：将所述待分类动物图像经过全卷积网络，得到基于全局图像的特征图；对特征图进行全局平均化得到全局图像特征；将全局图像特征通过全连接得到全局图像属于动物类别的分数；对动物类别分数进行softmax操作得到基于全局图像的分类结果。
具体地，***中细分类识别模块从待分类动物图像中选取判别区域，并对所述判别区域进行处理，得到区域特征和对应的分类结果的具体方法包括：根据判别图像素值的大小对具有判别性的区域进行排序；采用非最大抑制的方法进行处理，选择前m个判别性区域，其中，m为整数；从待分类动物图像中将m个具有判别性区域图像裁剪出来并放大到相同尺寸，将裁剪得到的图像依次通过全卷积网络、全局平均池化、全连接和softmax操作，得到区域特征和对应的分类结果。
本发明提供的一种一种基于自适应寻找判别区域的物种细分类***与上述一种基于自适应寻找判别区域的物种细分类方法出于相同的发明构思，具有相同的有益效果，此处不再赘述。
如图4所示，示出了本发明第三实施例提供一种智能终端结构示意图，该终端包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述实施例描述的方法。
应当理解，在本发明实施例中，所称处理器可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器 (DigitalSignal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备可以包括触控板、指纹采传感器（用于采集用户的指纹信息和指纹的方向信息）、麦克风等，输出设备可以包括显示器（LCD等）、扬声器等。
该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器、输入设备、输出设备可执行本发明实施例提供的方法实施例所描述的实现方式，也可执行本发明实施例所描述的***实施例的实现方式，在此不再赘述。
在本发明还提供一种计算机可读存储介质的实施例，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
所述计算机可读存储介质可以是前述实施例所述的终端的内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种基于自适应寻找判别区域的物种细分类方法，其特征在于，包括以下步骤：
获取待分类动物图像；
细分类卷积神经网络模型对待分类动物图像进行物种细分类识别；
细分类卷积神经网络模型输出动物物种分类识别结果。
2.如权利要求1所述的基于自适应寻找判别区域的物种细分类方法，其特征在于，所述细分类卷积神经网络模型对待分类动物图像进行物种细分类识别的具体方法包括：
将待分类动物图像依次经过全卷积网络、全局平均池化、全连接和softmax操作，依次得到基于全局图像的特征图、全局图像特征、全局图像属于动物类别的分数和基于全局图像的分类结果；
根据全局图像的特征图和分类权重信息生成判别图，所述判别图反映出待分类动物图像中相关区域的判别性；
根据判别图从待分类动物图像中选取判别性高的区域，并将所述判别区域从原图像裁剪出来，送入卷积神经网络模型得到区域特征和对应的分类结果；
从区域特征中选择部分区域特征与全局图像特征进行拼接，得到混合特征，将混合特征通过softmax操作，得到预测分类结果。
3.如权利要求2所述的基于自适应寻找判别区域的物种细分类方法，其特征在于，所述将待分类动物图像依次经过全卷积网络、全局平均池化、全连接和softmax操作，得到基于全局图像的分类结果的具体方法包括：
将所述待分类动物图像经过全卷积网络，得到基于全局图像的特征图；
对特征图进行全局平均化得到全局图像特征；
将全局图像特征通过全连接得到全局图像属于动物类别的分数；
对动物类别分数进行softmax操作得到基于全局图像的分类结果。
4.如权利要求3所述的基于自适应寻找判别区域的物种细分类方法，其特征在于，所述从待分类动物图像中选取判别区域，并对所述判别区域进行处理，得到区域特征和对应的分类结果的具体方法包括：
根据判别图像素值的大小对具有判别性的区域进行排序；
采用非最大抑制的方法进行处理，选择前m个判别性区域，其中，m为整数；
从待分类动物图像中将m个具有判别性区域图像裁剪出来并放大到相同尺寸，将裁剪得到的图像依次通过全卷积网络、全局平均池化、全连接和softmax操作，得到区域特征和对应的分类结果。
5.一种基于自适应寻找判别区域的物种细分类***，其特征在于，包括图像获取模块、细分类识别模块和识别结果输出模块，
所述图像获取模块用于获取待分类动物图像；
所述细分类识别模块用于利用卷积神经网络模型对待分类动物图像进行物种细分类识别；
所述识别结果输出模块用于输出动物物种分类识别结果。
6.如权利要求5所述的基于自适应寻找判别区域的物种细分类***，其特征在于，所述细分类识别模块利用卷积神经网络模型对待分类动物图像进行物种细分类识别的具体方法包括：将待分类动物图像依次经过全卷积网络、全局平均池化、全连接和softmax操作，依次得到基于全局图像的特征图、全局图像特征、全局图像属于动物类别的分数和基于全局图像的分类结果；
根据全局图像的特征图和分类权重信息生成判别图，所述判别图反映出待分类动物图像中相关区域的判别性；
从待分类动物图像中选取判别区域，并对所述判别区域进行处理，得到区域特征和对应的分类结果；
从区域特征中选择部分区域特征与全局图像特征进行拼接，得到混合特征，将混合特征通过softmax操作，得到预测分类结果。
7.如权利要求6所述的基于自适应寻找判别区域的物种细分类***，其特征在于，所述细分类识别模块将待分类动物图像依次经过全卷积网络、全局平均池化、全连接和softmax操作，得到基于全局图像的分类结果的具体方法包括：
将所述待分类动物图像经过全卷积网络，得到基于全局图像的特征图；
对特征图进行全局平均化得到全局图像特征；
将全局图像特征通过全连接得到全局图像属于动物类别的分数；
对动物类别分数进行softmax操作得到基于全局图像的分类结果。
8.如权利要求7所述的基于自适应寻找判别区域的物种细分类***，其特征在于，所述细分类识别模块从待分类动物图像中选取判别区域，并对所述判别区域进行处理，得到区域特征和对应的分类结果的具体方法包括：
根据判别图像素值的大小对具有判别性的区域进行排序；
采用非最大抑制的方法进行处理，选择前m个判别性区域，其中，m为整数；
从待分类动物图像中将m个具有判别性区域图像裁剪出来并放大到相同尺寸，将裁剪得到的图像依次通过全卷积网络、全局平均池化、全连接和softmax操作，得到区域特征和对应的分类结果。
9.一种智能终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，其特征在于，所述处理器被配置用于调用所述程序指令，执行如权利要求1至4任一项所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1至4任一项所述的方法步骤。
CN202010193950.6A 2020-03-19 2020-03-19 一种物种细分类方法、***、终端及介质 Pending CN111091162A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010193950.6A CN111091162A (zh) 2020-03-19 2020-03-19 一种物种细分类方法、***、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010193950.6A CN111091162A (zh) 2020-03-19 2020-03-19 一种物种细分类方法、***、终端及介质

Publications (1)

Publication Number Publication Date
CN111091162A true CN111091162A (zh) 2020-05-01

Family

ID=70400623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010193950.6A Pending CN111091162A (zh) 2020-03-19 2020-03-19 一种物种细分类方法、***、终端及介质

Country Status (1)

Country Link
CN (1) CN111091162A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529020A (zh) * 2020-12-24 2021-03-19 携程旅游信息技术（上海）有限公司 基于神经网络的动物识别方法、***、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096531A (zh) * 2016-05-31 2016-11-09 安徽省云力信息技术有限公司 一种基于深度学习的交通图像多类型车辆检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096531A (zh) * 2016-05-31 2016-11-09 安徽省云力信息技术有限公司 一种基于深度学习的交通图像多类型车辆检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHICONG FENG 等: "Learning to Focus and Discriminate for Fine-Grained Classification", 《INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 *
翁雨辰 等: "深度区域网络方法的细粒度图像分类", 《中国图象图形学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529020A (zh) * 2020-12-24 2021-03-19 携程旅游信息技术（上海）有限公司 基于神经网络的动物识别方法、***、设备及存储介质
CN112529020B (zh) * 2020-12-24 2024-05-24 携程旅游信息技术（上海）有限公司 基于神经网络的动物识别方法、***、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108776819A (zh) 一种目标识别方法、移动终端及计算机可读存储介质
CN109284733B (zh) 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法
CN110443212B (zh) 用于目标检测的正样本获取方法、装置、设备及存储介质
CN105512683A (zh) 基于卷积神经网络的目标定位方法及装置
CN108664840A (zh) 图像识别方法及装置
US7643674B2 (en) Classification methods, classifier determination methods, classifiers, classifier determination devices, and articles of manufacture
CN112561080A (zh) 样本筛选方法、样本筛选装置及终端设备
CN107808126A (zh) 车辆检索方法及装置
CN111583180B (zh) 一种图像的篡改识别方法、装置、计算机设备及存储介质
CN113837257B (zh) 一种目标检测方法及装置
CN111709421A (zh) 鸟类识别方法、装置、计算机设备及存储介质
CN113870254B (zh) 目标对象的检测方法、装置、电子设备及存储介质
CN109710788A (zh) 图像样本标注和管理方法及设备
US20110286670A1 (en) Image processing apparatus, processing method therefor, and non-transitory computer-readable storage medium
CN111523558A (zh) 一种基于电子围网的船只遮挡检测方法、装置及电子设备
CN112541394A (zh) 黑眼圈及鼻炎识别方法、***及计算机介质
CN113723467A (zh) 用于缺陷检测的样本收集方法、装置和设备
CN114140663A (zh) 一种基于多尺度注意力学习网络的害虫识别方法及***
CN111091162A (zh) 一种物种细分类方法、***、终端及介质
US9053383B2 (en) Recognizing apparatus and method, program, and recording medium
CN110210314B (zh) 人脸检测方法、装置、计算机设备及存储介质
CN112686122A (zh) 人体及影子的检测方法、装置、电子设备、存储介质
CN111931721A (zh) 年检标签颜色和个数的检测方法、装置及电子设备
CN113454649B (zh) 目标检测方法、装置、电子设备和计算机可读存储介质
CN108985350B (zh) 一种基于梯度幅值稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200501

RJ01 Rejection of invention patent application after publication