[發明專利]一種基于去噪學習的鳥類細粒度識別方法

在審

• 申請號: 202211438076.3
• 申請日: 2022-11-17
• 公開（公告）號: CN115761243A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 沈馮立;李福生;趙彥春;唐榮江
• 申請（專利權）人: 電子科技大學長三角研究院（湖州）
• 主分類號: G06V10/30
• 分類號: G06V10/30;G06V10/764;G06V10/774
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 唐莉梅

本發明屬于計算機視覺技術領域，公開了一種基于去噪學習的鳥類細粒度識別方法，步驟包括：步驟一，合并開源的數據集和網絡上收集得到的圖片獲得一個大型鳥類細粒度圖片分類數據集；步驟二，對網絡上收集的圖片進行標簽的檢查和重標注；步驟三，利用多種數據增廣技術對數據集進行增廣；步驟四，利用增廣數據集訓練一個分類器；步驟五，利用分類器對數據進行打分，根據打分結果利用去噪算法對增廣數據進行篩選；步驟六，循環步驟四和步驟五直到分類器穩定；步驟七，將分類器部署到樹莓派中；步驟八，通過分類器對樹莓派獲得的視頻中的圖像幀進行分類，輸出識別結果。本發明有效降低了數據增廣對細粒度圖片分類的影響，提高了鳥類識別的準確率。

技術領域

本發明屬于計算機視覺技術領域，尤其涉及一種基于去噪學習的鳥類細粒度識別方法。

背景技術

細粒度圖像分類在學術和現實生活的應用中都備受關注。學術研究中有收集全球各地不同種類的鳥、狗、車等的圖像數據，整合成數據集的研究。實際應用中有識別不同種類的害蟲、對同種類商品的識別以及對高速公路上的汽車信號的識別。作為圖像分類的一個分支，細粒度圖像分類難在不同類別圖像之間的差異較小，相同類別圖像之間的差異較大，正好和一般的圖像分類相反。同時細粒度圖像分類數據集的標注較之一般圖像分類更加復雜，需要專家級別的人才能對數據進行標注，所以細粒度圖像分類往往無法收集足夠多的數據集，導致模型的泛化能力較弱。

一般圖像分類算法采用數據增廣的方式增加訓練數據量，從而提高訓練數據的量級，幫助模型學習到更好的圖像識別能力。這些數據增廣方法中有部分方法需要從原始圖片中截取或是抹去某部分，導致原始圖片的特征缺失。這種特征缺失在一般圖像分類算法中無關緊要，因為其主要關注的是整體特征。但是對于細粒度圖像分類任務，這種類型的數據增廣可能會起到反作用，導致細粒度圖像分類模型的識別能力下降。因為細粒度圖像分類需要識別細節才能區分不同的類，如果圖片的某一細節缺失可能導致其錯分類。

通過上述分析，現有技術存在的問題及缺陷為：

(1)一般圖像分類算法采用數據增廣的方式增加訓練數據量，從而提高訓練數據的量級，幫助模型學習到更好的圖像識別能力。這些數據增廣方法中有部分方法需要從原始圖片中截取或是抹去某部分，導致原始圖片的特征缺失。這種特征缺失在一般圖像分類算法中無關緊要，因為其主要關注的是整體特征。但是對于細粒度圖像分類任務，這種類型的數據增廣可能會起到反作用，導致細粒度圖像分類模型的識別能力下降。因為細粒度圖像分類需要識別細節才能區分不同的類，如果圖片的某一細節缺失可能導致其錯分類。

發明內容

針對現有技術存在的問題，本發明提供了一種基于去噪學習的鳥類細粒度識別方法。

本發明是這樣實現的，一種基于去噪學習的鳥類細粒度識別方法包括：

步驟一，收集不同鳥類的圖片數據，包括有標注的圖片數據和無標注的圖片數據，將其整合成細粒度鳥類數據集；

步驟二，對步驟一中收集到的無標注圖片數據進行人工標注，獲得全部帶標注的細粒度鳥類數據集；

步驟三，對步驟二中得到的細粒度鳥類數據集進行數據增廣，獲得增廣后的細粒度鳥類數據集；

步驟四，利用步驟三中得到的增廣細粒度鳥類數據集訓練一個細粒度鳥類分類器；

步驟五，利用步驟四中訓練完成的細粒度鳥類分類器對步驟三中獲得的增廣數據集進行打分，并且根據數據得分篩選出部分可信的數據，將其重新組合成新的鳥類細粒度數據集；

步驟六，重復步驟四和步驟五，直到步驟四中分類器的損失保持穩定；

步驟七，將步驟六中訓練得到的穩定的鳥類細粒度圖片分類器部署到樹莓派中；

步驟八，給樹莓派配備攝像頭后，對采集得到的視頻幀進行顯著性檢測后得到鳥類在圖片中的具體位置，截取對應位置的圖片區域輸入到分類網絡進行圖片分類，輸出識別結果。