CN117809099A - 一种借助关键部位预测网络预测鸟类类别的方法及*** - Google Patents
一种借助关键部位预测网络预测鸟类类别的方法及*** Download PDFInfo
- Publication number
- CN117809099A CN117809099A CN202311846498.9A CN202311846498A CN117809099A CN 117809099 A CN117809099 A CN 117809099A CN 202311846498 A CN202311846498 A CN 202311846498A CN 117809099 A CN117809099 A CN 117809099A
- Authority
- CN
- China
- Prior art keywords
- bird
- target
- key part
- key
- gesture
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 210000003323 beak Anatomy 0.000 claims abstract description 21
- 241000894007 species Species 0.000 claims description 24
- 241000271566 Aves Species 0.000 claims description 17
- 230000037237 body shape Effects 0.000 claims description 16
- 241000272814 Anser sp. Species 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 241001529251 Gallinago gallinago Species 0.000 claims description 2
- 230000015654 memory Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 241000208152 Geranium Species 0.000 description 4
- 208000028752 abnormal posture Diseases 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种借助关键部位预测网络预测鸟类类别的方法及***,所述方法包括以下步骤:根据目标检测网络对待检测数据检测出鸟类目标框,所述鸟类目标框中包括鸟类目标的位置和鸟类类别;根据训练得到的关键部位预测模型预测所述鸟类目标框中的鸟类关键部位位置和得分,所述鸟类关键部位包括喙、鸟冠、背部、眼睛、翅膀、腿和尾巴;根据所述鸟类关键部位位置和得分,并结合不同部位之间的几何关系判断目标当前姿态,所述目标当前姿态包括正常姿态和异常遮挡姿态;根据所述目标当前姿态判定鸟类最终类别;本发明区分出检测目标当前姿态,通过结合关键部位长度、几何关系等辅助信息进行类别判定,提升类别预测准确度。
Description
技术领域
本发明涉及鸟类识别技术领域,具体是一种借助关键部位预测网络预测鸟类类别的方法及***。
背景技术
鸟类是优秀的生态***服务提供者,可以为花朵授粉、清除腐肉、传播种子、吞噬害虫、循环养分并使环境受益,以造福其他物种和人类,同时鸟类作为生态***的重要元素对许多生态***的健康和一致性起着关键的生态作用。另外,鸟类对生境结构和组成的变化也非常敏感,是生境质量和生物多样性的良好指标。随朱全球气候和土地利用变化的加速,鸟类种类和数量都在下降,野生鸟类种群监测的重要性日益增加。鸟类的分类、计数在几乎所有鸟类监测研究中都是必不可少的。
由于鸟类生存环境的植被和地形特征等复杂多变,使其易于受到周围环境的遮挡,加上其自身动作姿态多样,都给目标检测网络的识别及类别判定造成干扰。现有目标检测网络无法准确识别鸟类姿态及受遮挡情况下的类别,而现有关键点检测网络是检测框+预测关键点位置,存在问题是对于小目标检测效果不好,且需要较大训练样本,而单独关键部位预测网络需要数据量较小。本发明提供了一种借助关键部位预测网络提升姿势异常、遮挡等情况下鸟类检测精度的方法。
发明内容
针对上述存在的问题,本发明提出一种借助关键部位预测网络预测鸟类类别的方法及***。
为实现上述目的,本发明提供如下技术方案:
一种借助关键部位预测网络预测鸟类类别的方法,所述方法包括以下步骤:
根据目标检测网络对待检测数据检测出鸟类目标框,所述鸟类目标框中包括鸟类目标的位置和鸟类类别,其中,所述待检测数据包括图片和视频数据,所述检测网络包括yolo和faster-rcnn;
训练关键部位预测模型,根据训练得到的关键部位预测模型预测所述鸟类目标框中的鸟类关键部位位置和得分,所述鸟类关键部位包括喙、鸟冠、背部、眼睛、翅膀、腿和尾巴;
根据所述鸟类关键部位位置和得分,并结合不同部位之间的几何关系判断目标当前姿态,所述目标当前姿态包括正常姿态和异常遮挡姿态;
根据所述目标当前姿态判定鸟类最终类别。
作为本发明进一步的技术方案,所述正常姿态是指鸟类关键部位中的非对称性关键部位都可见,且具有对称性的鸟类关键部位的关键点至少一侧可见,所述非对称性关键部位包括喙和鸟冠,所述具有对称性的鸟类关键部位包括眼睛和翅膀;不满足所述正常姿态时即为异常遮挡姿态。
作为本发明进一步的技术方案,所述关键部位预测模型在输出鸟类关键部位位置时,还输出各鸟类关键部位得分,当鸟类关键部位得分大于预设阈值时,则判定当前鸟类关键部位为可见关键部位,当鸟类关键部位得分小于预设阈值时,则判定当前鸟类关键部位为不可见关键部位。
作为本发明进一步的技术方案,所述根据所述鸟类关键部位位置和得分,并结合不同部位之间的几何关系判断目标当前姿态的步骤包括:
设定关键部位得分阈值,当非对称性关键部位得分大于阈值,具有对称性的鸟类关键部位至少一侧得分大于阈值,则判定为姿态正常;
不满足所述正常姿态时即判定为异常遮挡姿态。
作为本发明进一步的技术方案,所述根据所述目标当前姿态判定鸟类类别的步骤包括:
当所述目标当前姿态为正常姿态时,直接输出所述目标检测网络检测的鸟类类别作为最终类别;
当所述目标当前姿态为异常遮挡姿态时,结合先验知识共同确定鸟类类别;
其中,所述先验知识包括:根据保护区鸟类物种分布情况,确定保护区常见鸟类类别,并根据体形大小和关键部位长度对鸟类类别进行细分,关键部位长度指根据关键点位置估算鸟类喙长、颈长和脚长。
作为本发明进一步的技术方案,所述当所述目标当前姿态为异常遮挡姿态时,结合先验知识共同确定鸟类类别的步骤包括:
当关键部位预测模型输出的关键部位得分中小于设定阈值数量小于预设数量时,结合所述先验知识辅助判定最终类别,如腿短时判定为雁类,体形很小时判定为鸻鹬类等;
当关键部位预测网络输出的关键点得分中小于设定阈值数量大于预设数量时,则认为可见关键部位过少,不再判定具体类别,输出“鸟类”作为最终标签。
本发明实施例的另一目的在于提供一种借助关键部位预测网络预测鸟类类别的***,所述***包括:
目标检测模块,用于根据目标检测网络对待检测数据检测出鸟类目标框,所述鸟类目标框中包括鸟类目标的位置和鸟类类别,其中,所述待检测数据包括图片和视频数据,所述检测网络包括yolo和faster-rcnn;
关键部位预测模块,用于训练关键部位预测模型,根据训练得到的关键部位预测模型预测所述鸟类目标框中的鸟类关键部位位置和得分,所述鸟类关键部位包括喙、鸟冠、背部、眼睛、翅膀、腿和尾巴;
关键部位判别模块,用于根据所述鸟类关键部位位置和得分,并结合不同部位之间的几何关系判断目标当前姿态,所述目标当前姿态包括正常姿态和异常遮挡姿态;
结果合成模块,用于根据所述目标当前姿态判定鸟类最终类别。
作为本发明进一步的技术方案,还包括先验知识模块:用于根据保护区鸟类物种分布情况,确定保护区常见鸟类类别,并根据体形大小和关键部位长度对鸟类类别进行细分关键部位长度指根据关键点位置估算鸟类喙长、颈长和脚长。
与现有技术相比,本发明的有益效果是:本发明提供了一种借助关键部位预测网络预测鸟类类别的方法及***,本发明区分出检测目标当前姿态,所述目标当前姿态包括正常姿态和异常遮挡姿态,通过结合关键部位长度、几何关系等辅助信息进行类别判定,提升类别预测准确度。本发明提供了一种借助关键部位预测网络提升姿势异常、遮挡等情况下鸟类检测精度的方法。
附图说明
图1为借助关键部位预测网络预测鸟类类别的***的结构框图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
作为本发明的一种实施例,一种借助关键部位预测网络预测鸟类类别的方法,所述方法包括以下步骤:
根据目标检测网络对待检测数据检测出鸟类目标框,所述鸟类目标框中包括鸟类目标的位置和鸟类类别,其中,所述待检测数据包括图片和视频数据,所述检测网络包括yolo和faster-rcnn;
训练关键部位预测模型,根据训练得到的关键部位预测模型预测所述鸟类目标框中的鸟类关键部位位置和得分,所述鸟类关键部位包括喙、鸟冠、背部、眼睛、翅膀、腿和尾巴;
根据所述鸟类关键部位位置和得分,并结合不同部位之间的几何关系判断目标当前姿态,所述目标当前姿态包括正常姿态和异常遮挡姿态;
根据所述目标当前姿态判定鸟类最终类别。
在本实施例中,训练关键部位预测模型时,先通过标注只含有鸟类图片中鸟类不同部位位置,制作数据集,然后训练关键部位预测模型,得到关键部位预测模型。本发明首先通过目标检测网络初步检测出鸟类目标框,所述鸟类目标框中包括鸟类目标的位置和鸟类类别,然后关键部位预测模型预测所述鸟类目标框中的鸟类关键部位位置和得分,根据所述鸟类关键部位位置和得分,并结合不同部位之间的几何关系判断目标当前姿态,所述目标当前姿态包括正常姿态和异常遮挡姿态,最终根据所述目标当前姿态判定是否借助先验知识判定鸟类最终类别,本发明提供了一种借助关键部位预测网络提升姿势异常、遮挡等情况下鸟类检测精度的方法。
在本发明实施例中,所述正常姿态是指鸟类关键部位中的非对称性关键部位都可见,且具有对称性的鸟类关键部位的关键点至少一侧可见,所述非对称性关键部位包括喙和鸟冠,所述具有对称性的鸟类关键部位包括眼睛和翅膀;不满足所述正常姿态时即为异常遮挡姿态(指鸟类身体关键部位部分不可见,如捕食或头部扎到翅膀下面时头部不可见等)。
在本发明实施例中,所述关键部位预测模型在输出鸟类关键部位位置时,还输出各鸟类关键部位得分,当鸟类关键部位得分大于预设阈值时,则判定当前鸟类关键部位为可见关键部位,当鸟类关键部位得分小于预设阈值时,则判定当前鸟类关键部位为不可见关键部位。关键部位预测网络对鸟类可见关键部位预测得分高,而对不可见关键部位预测得分低,通过设定阈值可区分关键点是否可见,如设定阈值如0.8,则大于0.8为可见关键部位,小于0.8为不可见关键部位。
在本发明实施例中,所述根据所述鸟类关键部位位置和得分,并结合不同部位之间的几何关系判断目标当前姿态的步骤包括:
设定关键部位得分阈值,当非对称性关键部位得分大于阈值,具有对称性的鸟类关键部位至少一侧得分大于阈值,则判定为姿态正常;
不满足所述正常姿态时即判定为异常遮挡姿态。
本发明还可以通过鸟类关键部位之间的位置关系判定目标当前姿态,如喙和背部,正常情况为喙和背部不重合,异常情况为喙和背部近乎重合(通过设定阈值,如小于2个像素时,判定异常)等。
在本发明实施例中,所述根据所述目标当前姿态判定鸟类类别的步骤包括:
当所述目标当前姿态为正常姿态时,直接输出所述目标检测网络检测的鸟类类别作为最终类别;
当所述目标当前姿态为异常遮挡姿态时,结合先验知识共同确定鸟类类别;
其中,所述先验知识包括:根据保护区鸟类物种分布情况,确定保护区常见鸟类类别,并根据体形大小和关键部位长度对鸟类类别进行细分,如体形较大的鹤、鹳,体形较小的鸻鹬类等,关键部位长度指根据关键点位置估算鸟类喙长、颈长和脚长,如雁类一般腿短,鹤、鹳类一般体型高大,且颈、喙、腿长等。
在本发明实施例中,所述当所述目标当前姿态为异常遮挡姿态时,结合先验知识共同确定鸟类类别的步骤包括:
当关键部位预测模型输出的关键部位得分中小于设定阈值数量小于预设数量时(预设数量为可调参数),结合所述先验知识辅助判定最终类别,如腿短时判定为雁类,体形很小时判定为鸻鹬类等;
当关键部位预测网络输出的关键点得分中小于设定阈值数量大于预设数量时(预设数量为可调参数),则认为可见关键部位过少,不再判定具体类别,输出“鸟类”作为最终标签。
如图1所示,本发明实施例的另一目的在于提供一种借助关键部位预测网络预测鸟类类别的***,所述***包括:
目标检测模块,用于根据目标检测网络对待检测数据检测出鸟类目标框,所述鸟类目标框中包括鸟类目标的位置和鸟类类别,其中,所述待检测数据包括图片和视频数据,所述检测网络包括yolo和faster-rcnn;
关键部位预测模块,用于训练关键部位预测模型,根据训练得到的关键部位预测模型预测所述鸟类目标框中的鸟类关键部位位置和得分,所述鸟类关键部位包括喙、鸟冠、背部、眼睛、翅膀、腿和尾巴;
关键部位判别模块,用于根据所述鸟类关键部位位置和得分,并结合不同部位之间的几何关系判断目标当前姿态,所述目标当前姿态包括正常姿态和异常遮挡姿态;
结果合成模块,用于根据所述目标当前姿态判定鸟类最终类别。
在本发明实施例中,还包括先验知识模块:用于根据保护区鸟类物种分布情况,确定保护区常见鸟类类别,并根据体形大小和关键部位长度对鸟类类别进行细分,如体形较大的鹤、鹳,体形较小的鸻鹬类等,关键部位长度指根据关键点位置估算鸟类喙长、颈长和脚长,如雁类一般腿短,鹤、鹳类一般体型高大,且颈、喙、腿长等。
上述借助关键部位预测网络预测鸟类类别的方法所能实现的功能均由计算机设备完成,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行以实现所述借助关键部位预测网络预测鸟类类别的方法的功能。
处理器从存储器中逐条取出指令、分析指令,然后根据指令要求完成相应操作,产生一系列控制命令,使计算机各部分自动、连续并协调动作,成为一个有机的整体,实现程序的输入、数据的输入以及运算并输出结果,这一过程中产生的算术运算或逻辑运算均由运算器完成;所述存储器包括只读存储器(Read-Only Memory,ROM),所述只读存储器用于存储计算机程序,所述存储器外部设有保护装置。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解,上述服务设备的描述仅仅是示例,并不构成对终端设备的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal 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,上述处理器是上述终端设备的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等;存储数据区可存储根据泊位状态显示***的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例***中的全部或部分模块/单元,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个***实施例的功能。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,在本文中,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种借助关键部位预测网络预测鸟类类别的方法,其特征在于,所述方法包括以下步骤:
根据目标检测网络对待检测数据检测出鸟类目标框,所述鸟类目标框中包括鸟类目标的位置和鸟类类别,其中,所述待检测数据包括图片和视频数据,所述检测网络包括yolo和faster-rcnn;
训练关键部位预测模型,根据训练得到的关键部位预测模型预测所述鸟类目标框中的鸟类关键部位位置和得分,所述鸟类关键部位包括喙、鸟冠、背部、眼睛、翅膀、腿和尾巴;
根据所述鸟类关键部位位置和得分,并结合不同部位之间的几何关系判断目标当前姿态,所述目标当前姿态包括正常姿态和异常遮挡姿态;
根据所述目标当前姿态判定鸟类最终类别。
2.根据权利要求1所述的一种借助关键部位预测网络预测鸟类类别的方法,其特征在于,所述正常姿态是指鸟类关键部位中的非对称性关键部位都可见,且具有对称性的鸟类关键部位的关键点至少一侧可见,所述非对称性关键部位包括喙和鸟冠,所述具有对称性的鸟类关键部位包括眼睛和翅膀;不满足所述正常姿态时即为异常遮挡姿态。
3.根据权利要求2所述的一种借助关键部位预测网络预测鸟类类别的方法,其特征在于,所述关键部位预测模型在输出鸟类关键部位位置时,还输出各鸟类关键部位得分,当鸟类关键部位得分大于预设阈值时,则判定当前鸟类关键部位为可见关键部位,当鸟类关键部位得分小于预设阈值时,则判定当前鸟类关键部位为不可见关键部位。
4.根据权利要求3所述的一种借助关键部位预测网络预测鸟类类别的方法,其特征在于,所述根据所述鸟类关键部位位置和得分,并结合不同部位之间的几何关系判断目标当前姿态的步骤包括:
设定关键部位得分阈值,当非对称性关键部位得分大于阈值,具有对称性的鸟类关键部位至少一侧得分大于阈值,则判定为姿态正常;
不满足所述正常姿态时即判定为异常遮挡姿态。
5.根据权利要求4所述的一种借助关键部位预测网络预测鸟类类别的方法,其特征在于,所述根据所述目标当前姿态判定鸟类类别的步骤包括:
当所述目标当前姿态为正常姿态时,直接输出所述目标检测网络检测的鸟类类别作为最终类别;
当所述目标当前姿态为异常遮挡姿态时,结合先验知识共同确定鸟类类别;
其中,所述先验知识包括:根据保护区鸟类物种分布情况,确定保护区常见鸟类类别,并根据体形大小和关键部位长度对鸟类类别进行细分,关键部位长度指根据关键点位置估算鸟类喙长、颈长和脚长。
6.根据权利要求5所述的一种借助关键部位预测网络预测鸟类类别的方法,其特征在于,所述当所述目标当前姿态为异常遮挡姿态时,结合先验知识共同确定鸟类类别的步骤包括:
当关键部位预测模型输出的关键部位得分中小于设定阈值数量小于预设数量时,结合所述先验知识辅助判定最终类别,如腿短时判定为雁类,体形很小时判定为鸻鹬类等;
当关键部位预测网络输出的关键点得分中小于设定阈值数量大于预设数量时,则认为可见关键部位过少,不再判定具体类别,输出“鸟类”作为最终标签。
7.一种借助关键部位预测网络预测鸟类类别的***,其特征在于,所述***包括:
目标检测模块,用于根据目标检测网络对待检测数据检测出鸟类目标框,所述鸟类目标框中包括鸟类目标的位置和鸟类类别,其中,所述待检测数据包括图片和视频数据,所述检测网络包括yolo和faster-rcnn;
关键部位预测模块,用于训练关键部位预测模型,根据训练得到的关键部位预测模型预测所述鸟类目标框中的鸟类关键部位位置和得分,所述鸟类关键部位包括喙、鸟冠、背部、眼睛、翅膀、腿和尾巴;
关键部位判别模块,用于根据所述鸟类关键部位位置和得分,并结合不同部位之间的几何关系判断目标当前姿态,所述目标当前姿态包括正常姿态和异常遮挡姿态;
结果合成模块,用于根据所述目标当前姿态判定鸟类最终类别。
8.根据权利要求7所述的一种借助关键部位预测网络预测鸟类类别的***,其特征在于,还包括先验知识模块:用于根据保护区鸟类物种分布情况,确定保护区常见鸟类类别,并根据体形大小和关键部位长度对鸟类类别进行细分,关键部位长度指根据关键点位置估算鸟类喙长、颈长和脚长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311846498.9A CN117809099A (zh) | 2023-12-29 | 2023-12-29 | 一种借助关键部位预测网络预测鸟类类别的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311846498.9A CN117809099A (zh) | 2023-12-29 | 2023-12-29 | 一种借助关键部位预测网络预测鸟类类别的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117809099A true CN117809099A (zh) | 2024-04-02 |
Family
ID=90426420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311846498.9A Pending CN117809099A (zh) | 2023-12-29 | 2023-12-29 | 一种借助关键部位预测网络预测鸟类类别的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117809099A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381830A (zh) * | 2020-10-23 | 2021-02-19 | 山东黄河三角洲国家级自然保护区管理委员会 | 基于YCbCr超像素和图割的鸟类关键部位提取方法和装置 |
CN114387499A (zh) * | 2022-01-19 | 2022-04-22 | 国家海洋环境监测中心 | 一种海岛滨海湿地水鸟识别方法、分布查询***及介质 |
CN115481680A (zh) * | 2022-09-02 | 2022-12-16 | 武汉大学苏州研究院 | 基于外源雷达的飞鸟与无人机航迹目标分类方法及设备 |
US20230099113A1 (en) * | 2021-09-29 | 2023-03-30 | Beijing Baidu Netcom Science Technology Co., Ltd. | Training method and apparatus for a target detection model, target detection method and apparatus, and medium |
CN116229518A (zh) * | 2023-03-17 | 2023-06-06 | 百鸟数据科技(北京)有限责任公司 | 一种基于机器学习的鸟类物种观测方法及*** |
CN116630726A (zh) * | 2023-07-26 | 2023-08-22 | 成都大熊猫繁育研究基地 | 基于多模态的鸟类分类方法及*** |
CN116912880A (zh) * | 2023-07-13 | 2023-10-20 | 百鸟数据科技(北京)有限责任公司 | 一种基于鸟类关键点检测的鸟类识别质量评估方法及*** |
-
2023
- 2023-12-29 CN CN202311846498.9A patent/CN117809099A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381830A (zh) * | 2020-10-23 | 2021-02-19 | 山东黄河三角洲国家级自然保护区管理委员会 | 基于YCbCr超像素和图割的鸟类关键部位提取方法和装置 |
US20230099113A1 (en) * | 2021-09-29 | 2023-03-30 | Beijing Baidu Netcom Science Technology Co., Ltd. | Training method and apparatus for a target detection model, target detection method and apparatus, and medium |
CN114387499A (zh) * | 2022-01-19 | 2022-04-22 | 国家海洋环境监测中心 | 一种海岛滨海湿地水鸟识别方法、分布查询***及介质 |
CN115481680A (zh) * | 2022-09-02 | 2022-12-16 | 武汉大学苏州研究院 | 基于外源雷达的飞鸟与无人机航迹目标分类方法及设备 |
CN116229518A (zh) * | 2023-03-17 | 2023-06-06 | 百鸟数据科技(北京)有限责任公司 | 一种基于机器学习的鸟类物种观测方法及*** |
CN116912880A (zh) * | 2023-07-13 | 2023-10-20 | 百鸟数据科技(北京)有限责任公司 | 一种基于鸟类关键点检测的鸟类识别质量评估方法及*** |
CN116630726A (zh) * | 2023-07-26 | 2023-08-22 | 成都大熊猫繁育研究基地 | 基于多模态的鸟类分类方法及*** |
Non-Patent Citations (1)
Title |
---|
赵毅力;徐丹;: "联合语义部件的鸟类图像细粒度识别", 计算机辅助设计与图形学学报, no. 08, 15 August 2018 (2018-08-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3375282B1 (en) | Method, information processing apparatus and program for determining activity quantities of animals | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN105144239B (zh) | 图像处理装置、图像处理方法 | |
US11017207B2 (en) | System for automatic tumor detection and classification | |
CN107992903A (zh) | 牲畜身份识别方法、装置、存储介质和电子设备 | |
US9940545B2 (en) | Method and apparatus for detecting anatomical elements | |
CN112183212B (zh) | 一种杂草识别方法、装置、终端设备及可读存储介质 | |
US9442565B2 (en) | System and method for determining distracting features in a visual display | |
CN111709421A (zh) | 鸟类识别方法、装置、计算机设备及存储介质 | |
CN111325217B (zh) | 数据处理方法、装置、***和介质 | |
CN109460713A (zh) | 动物分娩的识别方法、装置和设备 | |
CN112115803B (zh) | 口罩状态提醒方法、装置及移动终端 | |
CN110599520B (zh) | 一种旷场实验数据分析方法、***及终端设备 | |
CN113269752A (zh) | 一种图像检测方法、装置终端设备及存储介质 | |
CN117809099A (zh) | 一种借助关键部位预测网络预测鸟类类别的方法及*** | |
CN109858363B (zh) | 一种狗鼻纹特征点的检测方法、装置、***及存储介质 | |
CN112819885A (zh) | 基于深度学习的动物识别方法、装置、设备及存储介质 | |
CN112153892B (zh) | 用于苍蝇管理的装置 | |
US20200042794A1 (en) | Information processing method and information processing system | |
CN112884761A (zh) | 水产经济动物头部识别方法、终端设备及可读存储介质 | |
CN114764833A (zh) | 植物生长曲线确定方法、装置、电子设备及介质 | |
US20190236268A1 (en) | Behavior determining method, behavior determining apparatus, and non-transitory computer readable medium | |
US20240144633A1 (en) | Image recognition method, electronic device and storage medium | |
CN117830731B (zh) | 多维并行调度方法 | |
CN111625739A (zh) | 一种定位方法及装置、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 |