[發明專利]一種基于改進的卷積神經網絡的鳥類識別方法

有效

• 申請號: 201811091554.1
• 申請日: 2018-09-18
• 公開（公告）號: CN109460774B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 鄒臘梅;熊紫華;張松偉;李長峰;李曉光;陳婷;楊衛東
• 申請（專利權）人: 華中科技大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智;曹葆青

本發明公開了一種基于改進的卷積神經網絡的鳥類識別方法，包括：利用鳥類識別器對待識別的鳥類圖像進行識別，得到待識別的鳥類圖像的鳥類類別；所述鳥類識別器的訓練包括：構建樣本鳥類圖像的數據集；在卷積神經網絡的ResNet50輸入層之后增加BN層，在5層卷積層之后增加2層卷積層，在FC層之前增加Dropout層，得到改進的卷積神經網絡；利用樣本鳥類圖像的數據集訓練改進的卷積神經網絡，得到鳥類識別器。本發明基于遷移學習的思想，對卷積神經網絡進行改進，將其應用在鳥類屬性識別上，在樣本量有限的前提下，獲得了比改進之前的網絡更好的結果。

技術領域

本發明屬于圖像識別和生物辨識領域，更具體地，涉及一種基于改進的卷積神經網絡的鳥類識別方法。

背景技術

近年來，以卷積神經網絡為代表的深度學習算法在很多計算機視覺領域都取得突破性的進展，尤其是圖像分類、目標跟蹤、圖像分割、目標檢測等。但是當數據集發生變化時，卷積神經網絡學習到的特征和具體任務的匹配度就不高了，其模型的泛化能力就還有待提升，因此需要針對具體的任務和需求，設計出基于特征任務的卷積神經網絡，以滿足現實場景的需求。

然而現有技術中關于鳥類識別的準確率較低。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于改進的卷積神經網絡的鳥類識別方法，由此解決現有技術中關于鳥類識別的準確率較低的技術問題。

為實現上述目的，本發明提供了一種基于改進的卷積神經網絡的鳥類識別方法，包括：

利用鳥類識別器對待識別的鳥類圖像進行識別，得到待識別的鳥類圖像的鳥類類別；所述鳥類識別器的訓練包括：

(1)構建樣本鳥類圖像的數據集；

(2)在卷積神經網絡的ResNet50輸入層之后增加BN層，在5層卷積層之后增加2層卷積層，在FC層之前增加Dropout層，得到改進的卷積神經網絡；

(3)利用樣本鳥類圖像的數據集訓練改進的卷積神經網絡，得到鳥類識別器。

進一步地，樣本鳥類圖像的數據集中同一種類別的樣本鳥類圖像具有不同的背景和不同的姿態。

進一步地，背景包括：海面、森林、天空和草地。

進一步地，姿態包括：行走、站立、跳躍和覓食。

進一步地，2層卷積層的卷積核依次為3x3和1x1。

進一步地，步驟(3)包括：

(3.1)將數據集劃分為訓練集和驗證集，采用水平翻轉、[-5°，5°]的角度隨機旋轉、[-5，5]個像素水平平移的方式對訓練集進行增強，驗證集不采取任何增強措施；

(3.2)使用數據集對改進的卷積神經網絡進行預訓練，得到初始網絡參數，利用初始網絡參數型對改進的卷積神經網絡進行參數初始化；

(3.3)使用SGD優化器進行參數更新，并將L2正則化系數設置為e^-4，利用增強的訓練集訓練改進的卷積神經網絡，利用驗證集進行驗證，訓練N輪后，得到鳥類識別器。

進一步地，預訓練過程中，對改進的卷積神經網絡的前4層卷積層的參數進行凍結。

總體而言，通過本發明所構思的以上技術方案與現有技術相比，能夠取得下列有益效果：