CN111950344B - 生物类别的识别方法、装置、存储介质及电子设备 - Google Patents

Abstract

本申请公开了生物类别的识别方法、装置、存储介质及电子设备，涉及计算机视觉、深度学习技术领域。具体实现方案为：获取生物的环境图像，并获取生物的主类别；将环境图像输入至环境识别模型以生成环境类别；根据生物的主类别结合环境类别确定生物的子类别，能够将生物所处环境的环境类别与生物的主类别相结合，从而对生物的子类别进行识别，实现针对生物的细粒度识别，提升生物类别的识别效果。

Description

生物类别的识别方法、装置、存储介质及电子设备

技术领域

本申请涉及计算机技术领域，具体涉及计算机视觉、深度学习技术领域，尤其涉及生物类别的识别方法、装置、存储介质及电子设备。

背景技术

细粒度识别，是对某一类物体进行准确、精细的子类别的区分识别。这些子类别在视觉上是极其相似的，不管是对于人们还是对于算法都是很大的挑战，比如不同种类的鸟类、狗、花卉和汽车等，如果不具备相应的专业知识，一般很难判别。细粒度识别相对于物体的一般识别分析来说更加复杂和困难，对于生活和实践的指导借鉴意义更大。当前，有很多的细粒度识别应用，比如识别生物的子类别等等，在人们的生活中已经扮演了重要的助手角色，生物的细粒度识别一方面也可以为人们更好地认识生物提供帮助，另一方面也可以在保护珍稀生物方面做出贡献，具有很好的实用价值。

发明内容

提供了一种生物类别的识别方法、装置、存储介质、电子设备及计算机程序产品，实现将生物所处环境的环境类别与生物的主类别相结合，从而对生物的子类别进行识别，实现针对生物的细粒度识别，提升生物类别的识别效果。

根据第一方面，提供了一种生物类别的识别方法，包括：获取生物的环境图像，并获取所述生物的主类别；将所述环境图像输入至环境识别模型以生成环境类别；根据所述生物的主类别结合所述环境类别确定所述生物的子类别。

本申请实施例的生物类别的识别方法，通过获取生物的环境图像，并获取生物的主类别；将环境图像输入至环境识别模型以生成环境类别；根据生物的主类别结合环境类别确定生物的子类别，能够将生物所处环境的环境类别与生物的主类别相结合，从而对生物的子类别进行识别，实现针对生物的细粒度识别，提升生物类别的识别效果。

根据第二方面，提供了一种生物类别的识别装置，包括：第一获取模块，用于获取生物的环境图像，并获取所述生物的主类别；生成模块，用于将所述环境图像输入至环境识别模型以生成环境类别；第一确定模块，用于根据所述生物的主类别结合所述环境类别确定所述生物的子类别。

本申请实施例的生物类别的识别装置，通过获取生物的环境图像，并获取生物的主类别；将环境图像输入至环境识别模型以生成环境类别；根据生物的主类别结合环境类别确定生物的子类别，能够将生物所处环境的环境类别与生物的主类别相结合，从而对生物的子类别进行识别，实现针对生物的细粒度识别，提升生物类别的识别效果。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例的生物类别的识别方法。

本申请实施例的电子设备，通过获取生物的环境图像，并获取生物的主类别；将环境图像输入至环境识别模型以生成环境类别；根据生物的主类别结合环境类别确定生物的子类别，能够将生物所处环境的环境类别与生物的主类别相结合，从而对生物的子类别进行识别，实现针对生物的细粒度识别，提升生物类别的识别效果。

根据第四方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请实施例公开的生物类别的识别方法。

根据第五方面，提出了一种计算机程序产品，包括计算机程序，当所述计算机程序由处理器执行时实现本申请实施例公开的生物类别的识别方法。

根据本申请的技术解决了相关技术中生物类别的识别效果不佳，类别识别局限于生物主体的特征，细粒度的识别不够精准的技术问题，实现将生物所处环境的环境类别与生物的主类别相结合，从而对生物的子类别进行识别，实现针对生物的细粒度识别，提升生物类别的识别效果。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的示意图；

图2为本申请实施例的拍摄图像示意图；

图3为本申请实施例的注意力热力响应图；

图4为本申请实施例的生物图像的示意图；

图5是根据本申请第二实施例的示意图；

图6是根据本申请第三实施例的示意图；

图7是根据本申请第四实施例的示意图；

图8是用来实现本申请实施例的生物类别的识别方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本申请第一实施例的示意图。其中，需要说明的是，本实施例的生物类别的识别方法的执行主体为生物类别的识别装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

本申请实施例涉及计算机视觉、深度学习技术领域，其中，计算机视觉技术领域主要指用摄影机和电子设备代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电子设备处理成为更适合人眼观察或传送给仪器检测的图像。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

如图1所示，该生物类别的识别方法可以包括：

S101：获取生物的环境图像，并获取生物的主类别。

其中，环境图像为生物的生活环境的图像，该环境图像可以是预先对该生物的生活环境拍摄得到的，环境图像例如可以呈现生物的生活环境中的植被，海域等等。

可以理解的是，由于同一种生物的主类别下，还可以进一步对该生物的子类别进行划分，例如，主类别为鸟类，而鸟类还可以被细分为更为细致的子类别，例如海鸟、麻雀、海鸥、喜鹊等等，不同子类别的生物的生活环境可能相同或者不相同。

本申请中正是采用计算机视觉结合深度学习对生物的生活环境的环境类别进行识别，从而可以根据生物的主类别结合环境类别进一步去确定生物的子类别，实现了对生物进行高效、准确地细粒度划分。

一些实施例中，上述的环境图像和主类别可以是预先拍摄和标定得到的，例如，已知待细粒度识别生物的主类别为鸟类，并且已经拍摄得到该生物的环境图像，则可以直接获取生物的环境图像，并获取生物的主类别。

另一些实施例中，获取生物的主类别，还可以是获取生物的生物图像；通过分类模型对生物图像进行识别以获取生物的主类别，能够有效地丰富了生物类别的识别方法的功能维度，不仅仅实现识别生物的子类别，还实现对生物主类别的识别，提升了类别识别的全面性。

上述的生物图像，可以是对该生物主体拍摄得到的，该生物图像能够用于描述生物整体的姿态、形态等特征，由此，可以将生物图像输入至分类模型，由分类模型解析生物图像得到生物整体的姿态、形态等特征，进而根据模型分类算法确定与生物整体的姿态、形态等特征对应的类别作为生物的主类别，对此不作限制。

上述的分类模型，可以例如ResNet分类网络模型，ResNet分类网络模型为一个基于卷积神经网络的特征提取网络，本申请实施例可以预先加入多种数据增强方式，基于ImageNet预训练模型训练一个生物主类别的识别模型，监督信息就是生物的主类别，在训练中量化为0、1、2、3、4，这做为粗粒度的分类模型。

本申请实施例中，可以根据分类模型，识别生物图像对应的特征图；确定特征图中各特征点的注意力响应值；根据注意力响应值，形成与特征图对应的注意力热力响应图；根据注意力热力响应图对特征图进行增强处理，得到目标特征图；根据分类模型处理目标特征图，得到主类别，实现根据生物图像识别出主类别，提升识别效果，提升主类别的识别效率，保障后续细粒度分类的精准度。

作为一种示例，根据分类模型，识别生物图像对应的特征图，并对特征图作注意力响应值计算，例如，可以在ResNet分类模型的最后一个特征图的通道数为2048，大小为14*14，将该特征图在通道方向上取均值，得到一个1*14*14的注意力热力响应图attentionmap，做归一化后映射为原图大小，该注意力热力响应图attention map直接与原图相乘就可以得到原来拍摄图像中被加强的区域，可以视为拍摄图像中的前景的生物图像。

参见图2，图3，图4，图2为本申请实施例的拍摄图像示意图，图3为本申请实施例的注意力热力响应图，图4为本申请实施例的生物图像的示意图，由此可见，图4中的生物主体区域已经被加强处理，具有更为全面的生物特征表现效果，图2中的背景图像即可以被视为生物的环境图像。

上述在获取生物的生物图像时，可以是获取生物的拍摄图像，对生物的拍摄图像进行前景和背景的切分，并将前景图像作为生物图像，以及将背景图像作为环境图像，也即是说，本申请能够实现即时地对生物进行细粒度的识别，在有对生物进行细粒度识别的需求时，可以直接对生物进行拍摄得到拍摄图像，从而对拍摄图像进行分割，进行前景和背景的切分，并将前景图像作为生物图像，以及将背景图像作为环境图像。

S102：将环境图像输入至环境识别模型以生成环境类别。

上述在将环境图像输入至环境识别模型以生成环境类别之前，还根据生物的主类别确定与主类别对应的环境识别模型，也即是说，该对应的环境识别模型是与生物的主类别相对应的，预先可以建立与多种主类别中的每种主类别对应的环境识别模型，从而可以首先确定与主类别对应的环境识别模型，以将环境图像输入至与主类别对应的环境识别模型以生成环境类别，由此保障识别出的环境类别与主类别具有相关性，提升方法的识别效果。

上述在获取到环境图像后，例如图2中的背景图像即可以被视为生物的环境图像，可以将环境图像输入至环境识别模型以生成环境类别。

参见图5，图5是根据本申请第二实施例的示意图，在获取生物的环境图像前，该方法还可以包括：

S501：获取样本环境图像，并确定与样本图像对应的样本环境类别。

S502：将样本环境图像和对应的样本环境类别输入至初始环境识别模型以生成预测环境类别。

S503：根据预测环境类别和与样本图像对应的样本环境类别对初始环境识别模型进行训练，以得到环境识别模型。

本申请实施例中，可以预先训练一个初始的环境识别模型(例如为深度学习中的神经网络模型)，可以采用样本环境图像和样本环境类别训练一个深度学习中的神经网络模型，相比于其它机器学习的方法，深度学习在大数据集上的表现更好，通过训练一个深度学习领域的模型，将样本环境图像和对应的样本环境类别输入至初始的环境识别模型(深度学习领域的模型)以生成预测环境类别，使得训练后的环境识别模型可以高效地对生物的环境类别进行识别。

S103：根据生物的主类别结合环境类别确定生物的子类别。

一些实施例中，可以预先配置一个对应关系表，该对应关系表标注了主类别、与该主类别对应的多个环境类别，以及与主类别以及每个环境类别对应子类别之间的对应关系，从而在确定生物的主类别，以及环境类别之后，可以直接根据该对应关系表去确定生物的子类别。

而本申请实施例中，环境类别的数量为至少两种，主类别的数量为至少两种，根据生物的主类别结合环境类别确定生物的子类别，可以是获取各环境类别，基于环境识别模型的第一评分值，并获取各主类别对应的第二评分值，第二评分值是预先基于分类模型识别生物的主类别得到的，以及根据第一评分值结合第二评分值确定生物的子类别，实现简便，识别效率高，在保障识别精准度的情况下，直接结合了主类别的评分值和环境类别的评分值去确定生物的子类别，由此实现了考虑到现实场景的复杂性，不仅关注生物的本身，同时也关注生物所处的背景与环境，将环境分析与生物分析相结合作生物类别的细粒度识别，能够解决现实中很多困难的生物类别的细粒度识别，而且，该方法不需要复杂的标注，训练过程也简单清晰，具有很好的应用价值。

本实施例中，通过获取生物的环境图像，并获取生物的主类别；将环境图像输入至环境识别模型以生成环境类别；根据生物的主类别结合环境类别确定生物的子类别，能够将生物所处环境的环境类别与生物的主类别相结合，从而对生物的子类别进行识别，实现针对生物的细粒度识别，提升生物类别的识别效果。

图6是根据本申请第三实施例的示意图。

如图6所示，该生物类别的识别装置600包括：

第一获取模块601，用于获取生物的环境图像，并获取生物的主类别；

生成模块602，用于将环境图像输入至环境识别模型以生成环境类别；

第一确定模块603，用于根据生物的主类别结合环境类别确定生物的子类别。

在本申请的一个实施例中，参见图7，图7是根据本申请第四实施例的示意图，还包括：

训练模块604，获取样本环境图像，并确定与样本图像对应的样本环境类别，并将样本环境图像和对应的样本环境类别输入至初始环境识别模型以生成预测环境类别；以及根据预测环境类别和与样本图像对应的样本环境类别对初始环境识别模型进行训练，以得到环境识别模型。

在本申请的一个实施例中，第一获取模块601，还用于：

获取生物的生物图像；

通过分类模型对生物图像进行识别以获取生物的主类别。

在本申请的一个实施例中，参见图7，还包括：

第二确定模块605，用于根据生物的主类别确定与主类别对应的环境识别模型。

在本申请的一个实施例中，参见图7，还包括：

第二获取模块606，用于获取生物的拍摄图像；

图像处理模块607，用于对生物的拍摄图像进行前景和背景的切分，并将前景图像作为生物图像，以及将背景图像作为环境图像。

在本申请的一个实施例中，第一获取模块601，进一步用于：

根据分类模型，识别生物图像对应的特征图；

确定特征图中各特征点的注意力响应值；

根据注意力响应值，形成与特征图对应的注意力热力响应图；

根据注意力热力响应图对特征图进行增强处理，得到目标特征图；

根据分类模型处理目标特征图，得到主类别。

在本申请的一个实施例中，环境类别的数量为至少两种，主类别的数量为至少两种，其中，第一确定模块603，具体用于：

获取各环境类别，基于环境识别模型的第一评分值；

获取各主类别对应的第二评分值，第二评分值是预先基于分类模型识别生物的主类别得到的；

根据第一评分值结合第二评分值确定生物的子类别。

需要说明的是，前述对生物类别的识别方法的解释说明也适用于本实施例的生物类别的识别装置，此处不再赘述。

本实施例中，通过获取生物的环境图像，并获取生物的主类别；将环境图像输入至环境识别模型以生成环境类别；根据生物的主类别结合环境类别确定生物的子类别，能够将生物所处环境的环境类别与生物的主类别相结合，从而对生物的子类别进行识别，实现针对生物的细粒度识别，提升生物类别的识别效果。

根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8是用来实现本申请实施例的生物类别的识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如，生物类别的识别方法。

例如，在一些实施例中，生物类别的识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的生物类别的识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行生物类别的识别方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的生物类别的识别方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网及区块链网络。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (16)

1.一种生物类别的识别方法，包括：

获取生物的环境图像，并获取所述生物的主类别；

将所述环境图像输入至环境识别模型以生成环境类别；

根据所述生物的主类别结合所述环境类别确定所述生物的子类别。

2.根据权利要求1所述的方法，所述获取生物的环境图像前，还包括：

获取样本环境图像，并确定与所述样本图像对应的样本环境类别；

将所述样本环境图像和所述对应的样本环境类别输入至初始环境识别模型以生成预测环境类别；以及

根据所述预测环境类别和与所述样本图像对应的样本环境类别对所述初始环境识别模型进行训练，以得到所述环境识别模型。

3.根据权利要求1所述的方法，其中，所述获取所述生物的主类别，包括：

获取所述生物的生物图像；

通过分类模型对所述生物图像进行识别以获取所述生物的主类别。

4.根据权利要求1或3所述的方法，在所述将所述环境图像输入至环境识别模型以生成环境类别之前，还包括：

根据所述生物的主类别确定与所述主类别对应的环境识别模型。

5.根据权利要求3所述的方法，还包括：

获取所述生物的拍摄图像；

对所述生物的拍摄图像进行前景和背景的切分，并将前景图像作为所述生物图像，以及将背景图像作为所述环境图像。

6.根据权利要求3所述的方法，其中，所述通过分类模型对所述生物图像进行识别以获取所述生物的主类别，包括：

根据所述分类模型，识别所述生物图像对应的特征图；

确定所述特征图中各特征点的注意力响应值；

根据所述注意力响应值，形成与所述特征图对应的注意力热力响应图;

根据所述注意力热力响应图对所述特征图进行增强处理，得到目标特征图；

根据所述分类模型处理所述目标特征图，得到所述主类别。

7.根据权利要求3所述的方法，所述环境类别的数量为至少两种，所述主类别的数量为至少两种，其中，所述根据所述生物的主类别结合所述环境类别确定所述生物的子类别，包括：

获取各所述环境类别，基于所述环境识别模型的第一评分值；

获取各所述主类别对应的第二评分值，所述第二评分值是预先基于所述分类模型识别所述生物的主类别得到的；

根据所述第一评分值结合所述第二评分值确定所述生物的子类别。

8.一种生物类别的识别装置，包括：

第一获取模块，用于获取生物的环境图像，并获取所述生物的主类别；

生成模块，用于将所述环境图像输入至环境识别模型以生成环境类别；

第一确定模块，用于根据所述生物的主类别结合所述环境类别确定所述生物的子类别。

9.根据权利要求8所述的装置，还包括：

训练模块，获取样本环境图像，并确定与所述样本图像对应的样本环境类别，并将所述样本环境图像和所述对应的样本环境类别输入至初始环境识别模型以生成预测环境类别；以及根据所述预测环境类别和与所述样本图像对应的样本环境类别对所述初始环境识别模型进行训练，以得到所述环境识别模型。

10.根据权利要求8所述的装置，其中，所述第一获取模块，还用于：

获取所述生物的生物图像；

通过分类模型对所述生物图像进行识别以获取所述生物的主类别。

11.根据权利要求8或10所述的装置，还包括：

第二确定模块，用于根据所述生物的主类别确定与所述主类别对应的环境识别模型。

12.根据权利要求10所述的装置，还包括：

第二获取模块，用于获取所述生物的拍摄图像；

图像处理模块，用于对所述生物的拍摄图像进行前景和背景的切分，并将前景图像作为所述生物图像，以及将背景图像作为所述环境图像。

13.根据权利要求10所述的装置，其中，所述第一获取模块，进一步用于：

根据所述分类模型，识别所述生物图像对应的特征图；

确定所述特征图中各特征点的注意力响应值；

根据所述注意力响应值，形成与所述特征图对应的注意力热力响应图;

根据所述注意力热力响应图对所述特征图进行增强处理，得到目标特征图；

根据所述分类模型处理所述目标特征图，得到所述主类别。

14.根据权利要求10所述的装置，所述环境类别的数量为至少两种，所述主类别的数量为至少两种，其中，所述第一确定模块，具体用于：

获取各所述环境类别，基于所述环境识别模型的第一评分值；

获取各所述主类别对应的第二评分值，所述第二评分值是预先基于所述分类模型识别所述生物的主类别得到的；

根据所述第一评分值结合所述第二评分值确定所述生物的子类别。

15. 一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。

Images