基于深度学习的细粒度鸟类识别方法研究与系统实现

发布时间：2024-06-02 16:47

　　近十多年来,人工智能技术的迅猛发展,推动了计算机视觉技术广泛且成功地应用于现实生活。传统上简单的物体分类已经无法满足现实需求,富有挑战的细粒度图像识别问题成为计算机视觉领域的热点方向。通常,细粒度数据集中具有类间区分度弱、类内区分度强的特性,要求算法能分辨更多的图像细节。依托200类鸟类数据集(CUB200-2011)及自建的中国东洞庭湖湿地水鸟数据集,本文开展了基于深度学习的鸟类细粒度识别算法研究及微信小程序实现工作。主要工作如下:1.对鸟类细粒度识别的国内外研究现状进行了梳理与综述,阐述了该项研究的主要问题以及未来发展。2.为应对国内公开鸟类图像数据集缺乏的情况,建立了东洞庭湖136类水鸟数据集,并对数据集中样本进行了详细标注。3.提出了一种基于父类mask特征联合神经网络(CF-CNN)算法。该算法主要有两点创新:第一,将鸟类细粒度类别作为子类,鸟类整体归为父类,利用预训练的分割网络模型获取父类mask信息,将mask信息作为attention信息对分类网络特征进行特定区域增强操作;第二,认为细粒度类别应当更关注颜色、线条等底层特性,提出通过底层信息再利用的方式加强模型效果。最终...

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图２．１单层感知机简单结构图??７??

使得整个人工神经??网络结构能通过编程语言控制或写入硬件设备。在各种人工神经网络方法中??ＢＰ（ｂａｃｋ?ｐｒｏｐａｇａｔｉｏｎ）网络是最经典的人工神经网络之一，接下来本章将对ＢＰ网??络进行介绍。??２．１．１单层神经元结构??对于人工神经网络结构，它的核心处理单元叫做神经元。....

图２．?２多层感知器结构图??

?第二章深度学习技术简介???单层感知机的核心计算公式如２－１所示。??（ｓｆｌ?ｉｆ?ｗ－ｘ?＋?ｂ＞０??／（ｘ）｜〇?ｏｔｈｅｒｗｉｓｅ?（２＿丨）??ｍ公式中代表权重的大小，６是偏置项。６功能是避免过拟合的发生。ｗｘ??为ｍ代表输入结构的数量，ｘ代表数值用于输入。通常在简....

图２．?３简单Ｂ－Ｐ神经网络模型图??如图２．３所示，最左边的３个单元为输入单元，输入是一个由ｘｐｘ２，：ｃ３组成??

层神??经网络类似，区别在于增加了反向传播的过程。ＢＰ神经网的运算过程主要有三??点，第一步执行与多层神经网络相同的正向传播过程，第二步通过第一步得到的??输出值与真实值进行比较，计算输出值与真实值的差并进行反向传播更新参数。??第三部步每输入一部分样本数据就重复第一二步，直到差....

图２．４?ＢＰ算法流程图??２．２卷积神经网络算法??目前计算机视觉领域中，研宄人员运用最广泛的神经网络算法就是卷积神经??网络算法

?第二章深度学习技术简介???集中单个样本误差的累加和。??在研究ＢＰ神经网络的过程中研究人员也发现了它的几点缺陷：第一，ＢＰ??神经网络有训练至局部最小化的可能性，这会使得最后的模型无法达到最优解；??第二，ＢＰ神经网络由于参数众多会导致训练时间比较长久，并且对硬件要求也??比....

本文编号：3987523