[發(fā)明專利]基于DeepID-Net算法的生態(tài)生物識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210264471.8
• 申請(qǐng)日: 2022-03-17
• 公開（公告）號(hào): CN114581936A
• 公開（公告）日: 2022-06-03
• 發(fā)明（設(shè)計(jì)）人: 楊志峰;沈永明;張遠(yuǎn);蔡宴朋
• 申請(qǐng)（專利權(quán)）人: 瀾途集思（深圳）數(shù)字科技有限公司
• 主分類號(hào): G06V40/00
• 分類號(hào): G06V40/00;G06K9/62;G06N3/04;G06N3/08;G06V10/764;G06V10/26;G06V10/74;G06V10/82
• 代理公司: 北京市京師律師事務(wù)所 11665
• 代理人: 黃熊

1.基于DeepID-Net算法的生態(tài)生物識(shí)別方法，其特征在于，包括如下步驟：

S1發(fā)起生態(tài)生物識(shí)別請(qǐng)求，根據(jù)請(qǐng)求在生態(tài)環(huán)境中采集生物圖像數(shù)據(jù)；

S2采用圖像歸一法和圖像增強(qiáng)法對(duì)采集的生物圖像數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的生物圖像數(shù)據(jù)；

S3通過DeepID-Net算法對(duì)預(yù)處理后的生物圖像數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)；

S31選擇性搜索；

S32邊界框拒絕；

S33使用對(duì)象級(jí)注釋進(jìn)行預(yù)訓(xùn)練；

S34形變約束池化層；

S35場(chǎng)景建模；

S36模型平均；

S37邊界框回歸；

S4將檢測(cè)后的生物圖像數(shù)據(jù)進(jìn)行生態(tài)生物識(shí)別。

2.根據(jù)權(quán)利要求1所述的基于DeepID-Net算法的生態(tài)生物識(shí)別方法，其特征在于，所述步驟S31首先，顏色相似性、紋理相似性、區(qū)域大小和區(qū)域填充被用作非基于對(duì)象的分割，獲得許多小的分割區(qū)域，然后，使用自下而上的方法將小的分割區(qū)域合并在一起，以形成更大的分段區(qū)域，生成大約2K個(gè)區(qū)域提議。

3.根據(jù)權(quán)利要求1所述的基于DeepID-Net算法的生態(tài)生物識(shí)別方法，其特征在于，所述步驟S32的邊界框拒絕通過R-CNN拒絕最有可能是背景的邊界框。

4.根據(jù)權(quán)利要求1所述的基于DeepID-Net算法的生態(tài)生物識(shí)別方法，其特征在于，所述步驟S33預(yù)訓(xùn)練是在對(duì)象級(jí)注釋上進(jìn)行的，預(yù)訓(xùn)練是基于圖像層次的注釋。

5.根據(jù)權(quán)利要求1所述的基于DeepID-Net算法的生態(tài)生物識(shí)別方法，其特征在于，所述步驟S34形變約束池化層的形變約束方程式為：

對(duì)于形變約束路徑，conv5的輸出經(jīng)過卷積層，然后經(jīng)過形變約束層，然后有一個(gè)最大池化層，形變約束池層學(xué)習(xí)具有不同大小和語義含義的對(duì)象部分的變形，通過訓(xùn)練這個(gè)形變約束池層，如果待檢測(cè)對(duì)象的對(duì)象部分靠近它們的錨點(diǎn)，則在形變約束池層之后將給出高的激活值，這個(gè)輸出將連接到200個(gè)類別分?jǐn)?shù)以改進(jìn)。

6.根據(jù)權(quán)利要求1所述的基于DeepID-Net算法的生態(tài)生物識(shí)別方法，其特征在于，所述步驟S35場(chǎng)景建模用于對(duì)1000個(gè)類別對(duì)象進(jìn)行分類和本地化，通過分類網(wǎng)絡(luò)獲得的1000個(gè)類分?jǐn)?shù)用于細(xì)化200級(jí)分?jǐn)?shù)。

7.根據(jù)權(quán)利要求1所述的基于DeepID-Net算法的生態(tài)生物識(shí)別方法，其特征在于，所述步驟S35使用多個(gè)模型來提高精度，并對(duì)所有模型的結(jié)果進(jìn)行平均。

8.根據(jù)權(quán)利要求1所述的基于DeepID-Net算法的生態(tài)生物識(shí)別方法，其特征在于，所述步驟S36邊界框回歸用于微調(diào)已在R-CNN中使用的邊界框位置。