买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华南农业大学

摘要：本发明公开了基于改进的双网络识别模型的蝴蝶细粒度识别方法，包括步骤：收集蝴蝶在自然生活环境中的生态照片和蝴蝶标本照片，构建蝴蝶图片数据集；对所述蝴蝶图片数据集中的图片进行处理；分割图片处理后的蝴蝶图片数据集；搭建双网络识别模型；获得最终识别模型；使用所述最终识别模型进行蝴蝶细粒度识别，并采用平均加权的方式将所述第一识别网络和第二识别网络的的识别结果融合，得到最终的识别结果。与现有技术相比，本发明比标准的CNN架构识别率更高，性能更加稳定。

主权项：1.基于改进的双网络识别模型的蝴蝶细粒度识别方法，其特征在于，包括步骤S1：收集蝴蝶在自然生活环境中的生态照片和蝴蝶标本照片，构建蝴蝶图片数据集；S2：对所述蝴蝶图片数据集中的图片进行处理；S3：分割图片处理后的蝴蝶图片数据集，分为三个子集：训练数据集、验证数据集和测试数据集；训练数据集用于得到可用于识别的模型，验证数据集用于验证模型是否训练好，测试数据集用于测试实际应用中模型的性能；S4：所述步骤S4包括步骤S41：搭建双网络识别模型，其中所述双网络识别模型包括第一识别网络和第二识别网络，所述第一识别网络和第二识别网络均采用ResNeSt50，并设置第一识别网络的全连接层参数的初始化函数为“XavierNormalinitialization”，服从N＝0,std1的分布,std1如公式1所示： 其中gain值为1，fan_in为第一识别网络的全连接层的输入维度，fan_out为第一识别网络的全连接层的输出维度；设置第二识别网络全连接层参数初始化函数为“KaimingNormalInitialization”，服从分布N＝0,std2，std2如公式2所示： 参数a的值设置为1，fan_out为第二识别网络的输出维度；所述第一识别网络和第二识别网络的其他网络层的参数使用ImageNet数据集上的预训练参数；步骤S42：使用所述训练数据集训练所述第一识别网络和第二识别网络，并使用所述验证数据集在第一识别网络和第二识别网络中同时对相同的图片进行预测，得到各自的预测结果{Pi,c1}和{Pi,c2}，根据预测结果将图片分为两组，一组为第一识别网络和第二识别网络预测结果一致，一组为第一识别网络和第二识别网络预测结果不一致；不一致的结果直接通过交叉熵计算损失以更新网络参数，一致的结果由所述第一识别网络和第二识别网络互相为对方选择前CRT小的损失进行模型参数更新，CRT如公式3所示； CRT是选择比例，Tm是含有超过100张图片的类的个数，T是数据集类别的总数；S5：重复步骤S42，直至以获得最终识别模型；S6：使用所述最终识别模型进行蝴蝶细粒度识别，并采用平均加权的方式将所述第一识别网络和第二识别网络的识别结果融合，得到最终的识别结果。

全文数据：

权利要求：

百度查询： 华南农业大学 基于改进的双网络识别模型的蝴蝶细粒度识别方法