[發(fā)明專利]一種基于加權(quán)融合模型的鳥(niǎo)類分類方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110161908.0
• 申請(qǐng)日: 2021-02-05
• 公開(kāi)（公告）號(hào): CN112766413A
• 公開(kāi)（公告）日: 2021-05-07
• 發(fā)明（設(shè)計(jì)）人: 吳鵬;易曉梅;章林焓
• 申請(qǐng)（專利權(quán)）人: 浙江農(nóng)林大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N20/00
• 代理公司: 寧波市鄞州盛飛專利代理事務(wù)所(特殊普通合伙) 33243
• 代理人: 龍洋;洪珊珊

本發(fā)明屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，提供了一種基于加權(quán)融合模型的鳥(niǎo)類分類方法，包括步驟：S1、通過(guò)預(yù)設(shè)方式獲取鳥(niǎo)類圖像；S2、將獲取的鳥(niǎo)類圖像經(jīng)過(guò)預(yù)設(shè)訓(xùn)練模型進(jìn)行鳥(niǎo)類識(shí)別，S3、根據(jù)鳥(niǎo)類識(shí)別的結(jié)果，將所述鳥(niǎo)類圖像分入對(duì)應(yīng)的類別中，得到鳥(niǎo)類分類結(jié)果。本發(fā)明還提供了一種基于加權(quán)融合模型的鳥(niǎo)類分類系統(tǒng)，本發(fā)明的優(yōu)點(diǎn)在于使用VGG和ResNet152分別對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，然后通過(guò)動(dòng)態(tài)調(diào)整融合模型權(quán)重，來(lái)獲取最優(yōu)的分類效果。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，尤其涉及一種基于加權(quán)融合模型的鳥(niǎo)類分類方法及系統(tǒng)。

背景技術(shù)

鳥(niǎo)類分類問(wèn)題本質(zhì)上是細(xì)粒度圖像分類問(wèn)題。基于機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)進(jìn)行細(xì)粒度圖像分類的研究已經(jīng)非常的成熟，在各類細(xì)粒度數(shù)據(jù)集上都取得了很好的效果。

隨著深度學(xué)習(xí)領(lǐng)域研究的不斷深入，越來(lái)越多的優(yōu)秀模型被提出，如LeNet、AlexNet、VGG、ResNet等等。這些模型的分類效果也越來(lái)也好，還有現(xiàn)有的FixEfficientNet-L2模型，其在ImageNet數(shù)據(jù)集上的TOP-1準(zhǔn)確率達(dá)到了88.5％，TOP-5準(zhǔn)確率達(dá)到了98.7％，已經(jīng)超出了人類識(shí)別能力。

但與此同時(shí)，該模型的復(fù)雜度也非常之大，共有480M的參數(shù)量，并且從零開(kāi)始訓(xùn)練一個(gè)深度模型是非常消耗計(jì)算力的事情。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于加權(quán)融合模型的鳥(niǎo)類分類方法，用以解決鳥(niǎo)類分類識(shí)別網(wǎng)絡(luò)模型過(guò)于復(fù)雜的問(wèn)題；

為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

一種基于加權(quán)融合模型的鳥(niǎo)類分類方法，包括步驟：

S1、通過(guò)預(yù)設(shè)方式獲取鳥(niǎo)類圖像；

S2、將獲取的鳥(niǎo)類圖像經(jīng)過(guò)預(yù)設(shè)訓(xùn)練模型進(jìn)行鳥(niǎo)類識(shí)別；

S3、根據(jù)鳥(niǎo)類識(shí)別的結(jié)果，將所述鳥(niǎo)類圖像分入對(duì)應(yīng)的類別中，得到鳥(niǎo)類分類結(jié)果。

進(jìn)一步的，步驟S2中獲得所述預(yù)設(shè)訓(xùn)練模型的步驟包括：

S21、通過(guò)預(yù)設(shè)方式獲取不同鳥(niǎo)類的圖像，并建立數(shù)據(jù)集；

S22、將所述數(shù)據(jù)集中的鳥(niǎo)類圖像進(jìn)行圖像增強(qiáng)處理；

S23、根據(jù)圖像增強(qiáng)處理后的鳥(niǎo)類圖像對(duì)預(yù)設(shè)加權(quán)融合模型進(jìn)行訓(xùn)練，并得到預(yù)設(shè)訓(xùn)練模型。

進(jìn)一步的，步驟S23中得到所述融合模型的步驟包括：

S231、根據(jù)圖像增強(qiáng)處理后的鳥(niǎo)類圖像對(duì)預(yù)設(shè)第一特征提取模型進(jìn)行訓(xùn)練；

S232、根據(jù)圖像增強(qiáng)處理后的鳥(niǎo)類圖像對(duì)預(yù)設(shè)第二特征提取模型進(jìn)行訓(xùn)練；

S233、將所述預(yù)設(shè)第一特征提取模型和所述預(yù)設(shè)第二特征提取模型根據(jù)預(yù)設(shè)算法得到所述預(yù)設(shè)加權(quán)融合模型。

進(jìn)一步的，對(duì)預(yù)設(shè)加權(quán)融合模型進(jìn)行訓(xùn)練的步驟包括：

A1、對(duì)ImageNet預(yù)訓(xùn)練的網(wǎng)絡(luò)模型VGG和ResNet進(jìn)行初始化，并屏蔽預(yù)訓(xùn)練的網(wǎng)絡(luò)模型的權(quán)重；

A2、初始化權(quán)重、訓(xùn)練次數(shù)及權(quán)重增加步長(zhǎng)；

A3、按照權(quán)重記錄訓(xùn)練后訓(xùn)練集和驗(yàn)證集結(jié)果，通過(guò)權(quán)重增加步長(zhǎng)不斷調(diào)整兩個(gè)特征提取模型的權(quán)重，直至完成訓(xùn)練，并將其中正確率最高的模型權(quán)重作為預(yù)設(shè)加權(quán)融合模型的最終權(quán)重。

進(jìn)一步的，步驟S2中獲得所述預(yù)設(shè)訓(xùn)練模型的步驟還包括：

S24、通過(guò)預(yù)設(shè)優(yōu)化器對(duì)得到的所述預(yù)設(shè)訓(xùn)練模型進(jìn)行算法優(yōu)化。

本發(fā)明的目的還在于提供一種基于加權(quán)融合模型的鳥(niǎo)類分類系統(tǒng)，包括：