一种基于野生动物监测图像分类的神经网络自动设计方法技术

本发明专利技术涉及一种野生动物监测图像分类的神经网络自动设计方法，包括，S1，动物边界的框定，生成代理数据集，输入目标像素高度、宽度，动物区域坐标；S2，训练并验证采样网络，验证了搜索用工作站与边缘设备间的“强延迟单调性”；S3，以代理数据集为基础，开展基于低轮数训练的神经网络结构搜索，以工作站为边缘设备的代理设备，测量网络推理时间；S4，基于近似准确率与近似推理时间，计算分段损失函数，并优化算法；S5，根据应用需求遴选网络。本发明专利技术通过不断的计算、优化算法、最终得到的网络数据相较于其余网络数据有最高的平均准确率以及最低的显存占用率。显存占用率。显存占用率。

【技术实现步骤摘要】
一种基于野生动物监测图像分类的神经网络自动设计方法


[0001]本专利技术涉及野生动物监测
，尤其涉及一种野生动物监测图像分类的神经网络自动设计方法。

技术介绍

[0002]野生动物具有维系生态平衡的重要作用，因此，对野生动物实施有效的监测及保护，具有重要的实际意义。
[0003]“神经网络结构搜索方法”是一种基于任务需求，自动设计神经网络结构的方法。其搜索过程通常包括采样网络、排序已采样网络等环节，其采样网络的基本结构框架，源于同一元结构网络的集合称为“搜索空间”。一般情况下，搜索空间会包含大量网络，这些网络称为“候选网络”，而评估候选网络性能往往十分昂贵。
[0004]任务数据集图像分辨率一般较高，在该数据集上应用搜索方法，往往搜索成本高昂。对于呈偏态分布的大型任务数据集，基于任务数据集构建的代理数据集，比使用公共基准数据集更利于搜索方法。野外监控设备可能产生数百万“监测图像”，其中各物种图像数量差距较大。因此，基于监测图像构建代理数据集，可能有利于搜索方法。
[0005]当计算资源受限时，即使搜索方法已应用了代理数据集，其搜索代价仍然较高。因此，网络性能常以低配设置进行测量，实验证实，基于不同轮数训练的网络所产生的图像分类准确率，存在相对较高的相关性。如果搜索方法同时应用低轮数训练与代理数据集，那么基于“较多样本与较少轮数训练”的情况比基于“较少样本与较多轮数训练”的情况，更有利于搜索方法。
[0006]对于运行卷积神经网络的边缘设备而言，网络推理时间至关重要。然而，基于边缘设备测量推理时间，对于搜索算法而言成本较高。为了降低推理时间测量成本，出现了各种替代方法，其中一种方法是，在搜索开始前，根据同一运算处理不同输入的平均耗时，可构建延时查询表，在搜索时，对于搜索采样的网络，先通过延时查询表逐一查询其运算处理时间，再将所获处理时间相加即得网络推理时间。无论预测器怎样实现，其预测的推理时间不仅有误差，还限定于特定设备和输入。一种更灵活的推理时间测量替代方法是在边缘设备相应的代理设备上完成测量，其中代理设备上测量的推理时间，须与边缘设备上测量的推理时间呈强相关性。斯皮尔曼等级相关系数计算所涉及网络一般随机采样自搜索空间，而随机采样的网络，大量推理时间数值相似，这些大量相似的推理时间降低了斯皮尔曼等级相关系数的计算可靠性。因此，如何采样网络，令其推理时间分布广泛仍然悬而未决。

技术实现思路

[0007]为此，本专利技术提供一种野生动物监测图像分类的神经网络自动设计方法。用以克服现有技术中数据采集的准确性低以及代理设备可靠性不稳定的问题。
[0008]为实现上述目的，本专利技术提供一种野生动物监测图像分类的神经网络自动设计方法，包括，
[0009]S1，动物边界的框定，生成代理数据集，输入目标像素高度、宽度，动物区域坐标；
[0010]S2，训练并验证采样网络，验证了搜索用工作站与边缘设备间的“强延迟单调性”；
[0011]S3，以代理数据集为基础，开展基于低轮数训练的神经网络结构搜索，以工作站为边缘设备的代理设备，测量网络推理时间；
[0012]S4，基于近似准确率与近似推理时间，计算分段损失函数，并优化算法；
[0013]S5，根据应用需求遴选网络。
[0014]基于强化学习理论的神经结构搜索为框架开发，以奖励智能体有益于任务行为的方式，训练智能体以完成任务。在基于强化学习理论的神经结构搜索中“智能体”一般是长短期记忆网络(Long Short
‑
Term Memory，以下简称LSTM)，并根据所采样的词，构建卷积神经网络，该过程称为“采样网络”。
[0015]进一步地，通过奖励优化智能体，进而改进其行为的优化算法实现。优化算法涉及的损失函数，基于LSTM所采样网络的性能进行计算。所采样网络的性能主要包括近似准确率与近似推理时间，即：基于训练集，以低轮数训练网络，训练后的网络处理验证集，得到准确率和处理总耗时，如果该准确率未超过预定义阈值，则当前验证准确率即近似准确率取、当前推理时间即近似推理时间，否则基于不同随机种子重复训练和测试，产生多个验证准确率和推理时间，并通过metalog分布，拟合多个验证准确率，metalog分布中值，多个推理时间均值。上述网络处理验证集所用设备，是边缘设备的代理设备。
[0016]进一步地，基于近似准确率与近似推理时间，通过损失函数计算损失值，所得损失值结合优化算法，即优化LSTM参数。重复上述过程，直至LSTM采样的网络数量，达到预设数量限制为止，上述过程称为“搜索”。该过程中LSTM采样的全部网络及其性能、网络结构等相关信息，按采样时间顺序保存在MySQL数据库中，该数据库所保存的，由同一LSTM采样的网络相关信息的全部或部分称为“搜索历史”。
[0017]进一步地，根据搜索历史，择优选择一个网络，该网络即搜索输出，也称为“最终网络”。
[0018]与现有技术相比，本专利技术的有益效果在于，本专利技术通过不断的计算、优化算法、最终得到的网络分类监测图像的结果更加准确。
[0019]本专利技术提出的分位数计算，改善了metalog分布在低采样数条件下拟合一元高斯分布的精度。
[0020]本专利技术改进了代理设备甄别过程所需的网络采样方法，提高了所采样网络推理时间差异度，加强了甄别过程的计算可靠性。
附图说明
[0021]图1为本专利技术实施例中野生动物监测图像分类的神经网络自动设计方法的流程图；
[0022]图2为基于NACTI
‑
b代理数据集的随机搜索历史数据图；
[0023]图3为基于随机搜索的网络采样图；
[0024]图4为基于随机搜索网络采样的二值图像；
[0025]图5为n＝2时的误差均值曲线图；
[0026]图6为n＝3时的误差均值曲线图；
[0027]图7为n＝4时的误差均值曲线图；
[0028]图8为n＝5时的误差均值曲线图；
[0029]图9为本专利技术方法的搜索历史数据图；
[0030]图10为卷积和池化单元结构图。
具体实施方式
[0031]为了使本专利技术的目的和优点更加清楚明白，下面结合实施例对本专利技术作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本专利技术，并不用于限定本专利技术。
[0032]下面参照附图来描述本专利技术的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本专利技术的技术原理，并非在限制本专利技术的保护范围。
[0033]需要说明的是，在本专利技术的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0034]此外，还需要说明的是，在本专利技术的描述中，除非另有明确的规定和限定，术语“安装”、“相连本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于野生动物监测图像分类的神经网络自动设计方法，其特征在于，包括，S1，动物边界的框定，生成代理数据集，输入目标像素高度、宽度，动物区域坐标；S2，训练并验证采样网络，对搜索用工作站与边缘设备间的强延迟单调性；S3，以代理数据集为基础，开展基于低轮数训练的神经网络结构搜索，以工作站为边缘设备的代理设备，测量网络推理时间；S4，基于近似准确率与近似推理时间，计算分段损失函数，并优化算法；S5，根据应用需求遴选网络。2.根据权利要求1所述的野生动物监测图像分类的神经网络自动设计方法，其特征在于，在步骤S1中，对野外监测图像的动物区域进行框定；对于野外监测图像K，若K中存有的动物区域，对存有的动物区域进行编号，记为b1，b2...b
n
，根据各所述动物区域生成与之对应的图像P1，P2...P
n
其中，对于任一图像P
i
，其宽为w
t
，高为h
t
，i＝1，2，...n。3.根据权利要求2所述的野生动物监测图像分类的神经网络自动设计方法，其特征在于，对于任一动物区域b
i
，若其的宽高与P
i
的要求宽高不同，则对动物区域b
i
的宽高进行缩放调节，以生成宽为w
t
和h
t
为高的图像P
i
；缩放方法为：根据w
t
/h
t
比例和b
i
宽高，生成符合该比例的空图像P
i
′
，且b
i
长边与P
i
′
对应边长相等，将b
i
拷贝至P
i
′
居中区域，再通过插值算法缩放得到宽为w
t
和高为h
t
的P
i
。4.根据权利要求3所述的野生动物监测图像分类的神经网络自动设计方法，其特征在于，在步骤S2中，验证搜索用工作站与边缘设备之间存在强延迟单调性，从搜索空间中随机采样了n
′
个候选网络，其图像分类准确率和推理时间，上述生成的代理数据集，通过高性能设备评估得到；以准确率为横轴、推理时间为纵轴的二维坐标系中，上述n
′
个候选网络中的每个网络，用点(a，t)表示，其中a表示该网络的准确率，t表示该网络的推理时间。5.根据权利要求4所述的野生动物监测图像分类的神经网络自动设计方法，其特征在于，在准确率和推理时间平面上，对于包含n
′
个点的凸包；若凸包顶点数量多于m
′
，则采样该凸包所有顶点并结束采样，否则采样完该凸包顶点后，在准确率和推理时间平面内，向该凸包内侧移动，删除移动经过的点，计算剩余点的凸包并采样其顶点，重复移动与采样，直至所采样点的数量不少于m
′
，移动和采样过程实现；根据准确率和推理时间平面上n
′
个点的分布，构造n
′×
n
′
大小的二值图像B0，n
′
个点中任意一点(a，t)通过下式对应B0中像素p(x，y)＝1，其余像素为0；其中a
min
为准确率的最小值，a
max
为准确率的最大值，t
min
表示推理时间的最小值，t
max
表示推理时间的最大值，根据B0中n
′
个非零像素的位置，计算包围这些像素的凸包H0，该凸包顶点所对应候选网络保存在集合中；若的基数比m
′
小，即则基于B0进行图像腐蚀，腐蚀得到图像记作B1；根据B1中非零像素，计算包围这些像素的凸包H1，该凸包顶点所对应候选网络保存在集合中。6.根据权利要求5所述的野生动物监测图像分类的神经网络自动设计方法，其特征在于，在计算凸包过程中，保存凸包顶点对应网络，视情况进行图像腐蚀的过程，不断重复直
至成立或非零像素数量为0，其中图像腐蚀详细步骤如下所述：若第I次图像腐蚀完成后，成立且B
I
中仍存在非零像素，则基于B
I
进行第(I+1)次图像腐蚀，该图像腐蚀使用“图像内矩形”作为结构元素，该图像内矩形宽高s
x
与s
y
由向量s＝[s
x
，s
y
]
T
定义，即：其中表示基数；abs(
·
)表示计算绝对值；...

【专利技术属性】
技术研发人员：张军国，贾靓，田野，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：