[发明专利]一种基于对位叠加操作的鸟类识别方法、系统及存储介质

权利要求书

1.一种基于对位叠加操作的鸟类识别方法，其特征在于，包括：

S01、获取鸟类全局图像及鸟类局部部位图像；

S02、将鸟类局部部位图像输入到基于DenseNet网络的局部特征提取分支，进行获取Dense Block(1)后的浅层局部特征和全局平均池化后的深层局部特征以及该局部分支的损失；

S03、将鸟类全局图像输入到基于DenseNet网络的全局特征提取主分支，进行获取在Dense Block(1)后与局部特征提取分支同位置的特征，即局部图像，然后根据局部图像在鸟类全局图像上的位置坐标进行对位叠加，并在全局平均池化后与局部特征提取分支同位置的特征进行串联，以此进行鸟类识别并得到损失，将该损失与局部特征提取分支损失作为总损失用于模型训练时的网络更新。

2.如权利要求1所述的基于对位叠加操作的鸟类识别方法，其特征在于，所述鸟类局部部位图像为鸟类全局图像中截取获得。

3.如权利要求2所述的基于对位叠加操作的鸟类识别方法，其特征在于，S01包括：

S011、打开鸟类全局图像；

S012、根据鸟类全局图像，对图像中的鸟类局部部位进行标注，然后对部位所处位置的左上角和右下角进行标注，以此形成一个包围盒将部位完整包含在内部，裁剪包围盒内部图像并记录下原图尺寸大小，以及该包围盒在原图上的左上角坐标以及右下角坐标。

4.如权利要求3所述的基于对位叠加操作的鸟类识别方法，其特征在于，S012中，通过人工标注的方式标注出局部图像或将鸟类全局图像经过检测神经网络进行获取局部图像或通过随机裁剪的方式获取。

5.如权利要求1所述的基于对位叠加操作的鸟类识别方法，其特征在于，S02包括：

S021、输入获得的鸟类局部部位图像，将其缩放至224×224尺寸；

S022、输入经S021处理的鸟类局部部位图像，首先经过卷积核为7×7，步长为2的卷积层得到尺寸为112×112的特征，然后DenseNet网络中每层卷积后面都进行批量正则化和Relu激活；

S023、将S022得到的特征经过3×3，步长为2最大池化层得到尺寸为56×56的特征；

S024、将S023得到的特征输入到Dense Block(1)中得到尺寸为56×56的特征，其中，Dense Block(1)包含6组一样的卷积，每组卷积包含1层卷积核为1×1和1层卷积核为3×3的卷积层，且步长均都为1；DenseNet网络的Dense Block中包含密集连接操作，即每组卷积后的得到的特征将与其之后组的特征进行串联作为下次卷积的输入；

S025、将Dense Block(1)得到的特征输入到DenseNet网络的Transition Layer(1)中得到尺寸为28×28的特征，其中，Transition Layer包含1层卷积核为1×1，步长为1的卷积层，以及1层2×2，步长为2平均池化层；

S026、经S025得到的特征后续再经过DenseNet网络的Dense Block(2)、TransitionLayer(2)、Dense Block(3)、Transition Layer(3)、Dense Block(4)的处理后，得到尺寸为7×7的特征；

S027、将经S026得到的特征经过全局平均池化层得到尺寸为1×1的特征；

S028、将经S027得到的特征经过分类层得到结果，再以此计算局部分支的交叉熵损失，其中，分类层包含分类卷积层和softmax函数；

S029、输出Dense Block(1)得到的特征、全局平均池化后的特征和局部分支的交叉熵损失。