一种基于对抗互补学习的弱监督蝴蝶目标检测方法技术

本发明专利技术公开了一种基于对抗互补学习的弱监督蝴蝶目标检测方法，依次包括以下步骤：首先将爬虫爬取到的蝴蝶生态图像和蝴蝶标本图像按照类别进行混合，构成蝴蝶数据集；然后将图像裁剪并标准化处理；接着将蝴蝶数据集按比例划分为训练图像集和测试图像集；之后建立骨干网络和对抗互补学习网络，使用训练集训练网络，待网络收敛时保存模型；最后将测试图像输入到训练好的网络模型得到目标检测结果图。

A weak supervised butterfly target detection method based on counter complementary learning

【技术实现步骤摘要】
一种基于对抗互补学习的弱监督蝴蝶目标检测方法
本专利技术属于图像识别
，尤其涉及一种基于对抗互补学习的弱监督蝴蝶目标检测方法。
技术介绍
蝴蝶是节肢动物门、昆虫纲、鳞翅目、锤角亚目的一类昆虫。一方面，幼虫期的蝴蝶以农林业作物为食，是农林业的主要害虫之一；另一方面，蝴蝶是一种宝贵的环境指标，其监测数据被用在生态环境监测、生物多样性保护等方面，同时，蝴蝶具有很高的观赏价值和经济价值，是一种自然资源。因此，蝴蝶的分类与鉴定在农林业病虫防治、环境保护、蝴蝶产业发展等实际工作方面都具有重大意义。传统的蝴蝶鉴别方式主要有人工鉴定和生化学鉴定两种方式。人工鉴定方式主要通过将生态学特征和标本特征进行比对，此方法依赖于长期的经验积累且较为费时；生化学鉴定方式利用蝴蝶生殖器对生物化学试剂的反应，此方法依赖于专业的生化学知识且代价较为昂贵。因此，这两种方法均不具备蝴蝶鉴定的普适性。随着图像处理技术和机器学习理论的发展，研究者通过机器学习方法实现蝴蝶的鉴定，主要方法为人工提取蝴蝶的图像特征(蝴蝶翅面的颜色、纹理以及形状信息)，然后根据这些特征信息本文档来自技高网...

【技术保护点】
1.一种基于对抗互补学习的弱监督蝴蝶目标检测方法，其特征在于：该方法包括如下步骤，/n步骤1：构建蝴蝶数据集：蝴蝶数据集由两部分组成，第一部分由谷歌图片和百度图片上爬取的蝴蝶生态图像构成，称为数据集D

【技术特征摘要】
1.一种基于对抗互补学习的弱监督蝴蝶目标检测方法，其特征在于：该方法包括如下步骤，
步骤1：构建蝴蝶数据集：蝴蝶数据集由两部分组成，第一部分由谷歌图片和百度图片上爬取的蝴蝶生态图像构成，称为数据集D1，第二部分由蝴蝶标本图像构成，称为数据集D2；将数据集D1和数据集D2混合构成蝴蝶数据集其中蝴蝶图像为Ii，类别标签为yi；数据集D共包含M类蝴蝶的N幅图像，将数据集D划分为训练集Dt和测试集Ds；训练集Dt包含Nt幅图像，测试集Ds包含Ns幅图像；
步骤2：构建骨干网络：选择VGG-16的前13层作为骨干网络，该骨干网络由5个卷积块组成；骨干网络的输入为彩色的蝴蝶图像Ii∈Rh×w×3，1<i<Nt，其中h和w分别表示图像的高度和宽度，3表示图像的通道个数；网络的输出为多通道的位置感知特征图其中K1表示位置感知特征图的通道数，H1和W1分别为特征图的高度和宽度；该骨干网络表示为：
Si＝f0(θ0,Ii),
其中f0(·)表示骨干网络的作用，θ0为骨干网络的参数；
步骤3：构建对抗互补学习网络：对抗互补学习网络包含A和B两个并行分支，每个分支都包含一个特征提取器和一个分类器；其中，A分支的特征提取器和分类器分别表示为EA和clsA，B分支的特征提取器和分类器分别表示为EB和clsB；
步骤4：建立两个分支网络的损失函数LA和LB，损失函数为实际输出向量和分别与目标输出向量yi的交叉熵，分别表示为：






则网络的总损失为L＝LA+LB；
步骤5：网络训练：设置迭代次数、学习率等超参数，将训练集Dt输入网络，使用随机梯度下降算法对网络参数进行迭代更新，直到损失收敛，保存最终的模型；
步骤6：网络测试：加载保存的模型，将测试集Ds输入网络，获得分类的准...

【专利技术属性】
技术研发人员：李玉鑑，方宇，张婷，刘兆英，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11