【技术实现步骤摘要】
基于人工智能的海洋生物图像分类方法
[0001]本专利技术涉及的是一种图像处理领域的技术,具体是一种基于人工智能的海洋生物图像分类方法。
技术介绍
[0002]现有海洋生物图像识别方法一般由图像特征提取和特征学习两个相对独立的过程来完成。整个过程的流程主要是1)获取海洋动物的图像2)利用图像处理技术,分析提取特征3)构建模型。这样的方法中特征提取步骤较为复杂,且需要大量的人工筛选,除此之外,它的识别精度也不尽人意,而且泛化性差,难以实现智能化应用。
技术实现思路
[0003]本专利技术针对现有技术模型泛化差,无法适用于海洋生物图像进行准确分类的不足,提出一种基于人工智能的海洋生物图像分类方法,利用深度网络模型对海洋图像进行层次分类,并利用可解释分析挖掘图像上关注的区域,准确率超过75%,模型挖掘的关注区域对应图像上生物的主要轮廓。
[0004]本专利技术是通过以下技术方案实现的:
[0005]本专利技术涉及一种基于人工智能的海洋生物图像分类方法,通过构建训练集与测试集,用于训练深度网络并利用基于梯度定位的网络可视化方法(Grad
‑
CAM)对训练后的深度模型进行可解释性分析,挖掘识别图像上的关注区域。
[0006]本专利技术涉及一种实现上述方法的系统,包括:预处理单元、层级分类单元、神经网络单元以及可解释性分析单元,其中:预处理单元根据下载的原始海洋生物图像信息,对图像进行去噪预处理,得到去噪后的图像;层级分类单元根据图像的注释信息,依据分类信息实现了将数据库 ...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的包含海洋生物的图像分类方法,其特征在于,通过构建训练集与测试集,用于训练深度网络并利用基于梯度定位的网络可视化方法(Grad
‑
CAM)对训练后的深度模型进行可解释性分析,挖掘识别图像上的关注区域。2.根据权利要求1所述的基于人工智能的包含海洋生物的图像分类方法,其特征是,所述的训练集与测试集,通过收集生物图像数据并对其进行预处理,进行必要的数据清洗,具体包括:在收集整理图片数据的同时记录该图片的物种分类信息,包括Phylum(门)、Class(纲)、Order(目)、Family(科)、Genus(属)、Species(种)等,其目的是便于训练前按生物分类层级对数据集中的图像进行分类。3.根据权利要求1所述的基于人工智能的包含海洋生物的图像分类方法,其特征是,所述的深度网络为EfficientNetV2网络根据图像信息,进行1x1卷积处理,得到卷积操作后的特征图,经压缩和激励网络处理,得到通道之间的相互依赖关系,并对其进行3x3卷积处理,得到卷积处理后的特征图后,通过全连接层得到分类预测结果。4.根据权利要求1或3所述的基于人工智能的包含海洋生物的图像分类方法,其特征是,所述的训练,具体包括以下步骤:步骤1:搭建模型时要根据扩展比例确定是否要搭建1
×
1的扩展卷积对输入图像进行处理,得到卷积处理后的特征图;步骤2:利用压缩和激励网络处理步骤1得到的特征图,其中压缩操作通过在特征图层上执行全局平均池化操作得到当前特征图的全局压缩特征向量,激励操作通过两层全连接得到特征图中每个通道的权值,并将加权后的特征图作为下一层网络的输入;步骤3:利用3x3的卷积针对压缩和激励网络的输出进行卷积操作,得到特征图;步骤4:得到的特征图输入到全连接层进行不同层次的海洋生物图像分类,并对模型的训练损失进行评估;训练的过程中,通过逐步提升图像大小得到加速,再通过改进后的渐进学习方式,自适应地根据图像大小调整正则化因子,比如dropout、数据增广,从而补偿由于逐步提升图像大小造成的性能掉点。5.根据权利要求1所述的基于人工智能的包含海洋生物的图像...
【专利技术属性】
技术研发人员:潘小勇,周鹏,周芷诺,符格意,王春生,沈红斌,
申请(专利权)人:上海交通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。