一种基于SENet注意力机制与迁移学习的海滨湿地丹顶鹤检测方法技术

本发明专利技术公开了一种基于SENet注意力机制与迁移学习的海滨湿地丹顶鹤检测方法，步骤包括：收集高质量的丹顶鹤图像数据；对收集到的丹顶鹤数据进行数据标记；利用公开鸟类数据集CUB

【技术实现步骤摘要】
一种基于SENet注意力机制与迁移学习的海滨湿地丹顶鹤检测方法


[0001]本专利技术属于鸟类细粒度图像检测领域，具体涉及一种基于SENet注意力机制与迁移学习的海滨湿地丹顶鹤检测方法。

技术介绍

[0002][0003]当前，鸟类的种类识别主要依靠人工知识来进行分类，这种由人工进行干预的鸟类识别方法有着很大的局限。一方面，由于鸟类的种类数量过于庞大，对鸟类进行识别分类的人员需要具备丰富的专业知识，要求过高；另一方面，由于鸟类活动范围广泛，且生存环境十分复杂，因为遮挡、模糊和其他环境因素的干扰存在，经常无法进行准确的识别。
[0004]随着计算机技术的发展,对于鸟类种群的智能化识别已经成为大势所趋。本文经过一系列的前期调研，最终选择国家重点保护动物野生鸟类丹顶鹤作为研究对象，在江苏省盐城国家级珍禽自然保护区开展实验研究，从而为丹顶鹤种群以及生物多样性的保护提供科学依据。
[0005]随着计算机技术和深度学习的飞速发展，在目标检测算法上，尽管出现了多种不同的算法，但其主要思想都是一致的，其目的都是在于对图片中的一个或者多个目标进行定位和识别，然后返回物体的位置，并且利用模型的先验知识，对目标物体所属的类别进行判定分类。
[0006]目前已有的目标检测算法大致可以分为两类：(1)两步检测法，第一步是获得图像中可能存在物体的候选区域，第二步是对候选区域中的物体进行分类。经典的两步检测模型主要有R
‑
CNN、SPPNet、Fast R
‑
CNN、Faster Rr/>‑
CNN、R
‑
FCN、Mask R
‑
CNN等。两步检测模型的优点是能够提高物体检测的精度和速度，但无法实现实时目标检测。(2)单步检测法，省略了两步检测法中独立和显示的候选区域提取过程，直接得到图像中存在物体的相应位置和类别。经典的单步模型主要有OverFeat、SSD(Single Shot multibox
‑
Detector)、YOLO(You Only Look Once)等，单步检测模型由于无需对候选区域进行划分，因此具有检测速度快、实时性好的优点。

技术实现思路

[0007]有鉴于此，本专利技术的主要目的在于提供一种基于SENet注意力机制与迁移学习的海滨湿地丹顶鹤检测方法。
[0008]本专利技术的目的可以通过采取如下技术方案达到：
[0009]步骤1，收集高质量的丹顶鹤图像数据，构建海滨湿地丹顶鹤图像集；
[0010]步骤2，对构建好的海滨湿地丹顶鹤图像集进行筛选并进行标注，得到海滨湿地丹顶鹤图像数据集标记信息；
[0011]步骤3，利用包含分类数据的公开鸟类数据集CUB
‑
200
‑
2011对YOLOv6 3.0基础检
测模型进行Pre
‑
train操作，得到模型权重；
[0012]步骤4，将SENe注意力机制嵌入进YOLOv6 3.0主干网络部分的最后一层，得到改进YOLOv6 3.0检测模型；
[0013]步骤5，将步骤3中得到的模型权重迁移到步骤4中改进YOLOv6 3.0检测模型，完成迁移学习；
[0014]步骤6，使用海滨湿地丹顶鹤图像数据集对步骤5中完成迁移学习后的改进YOLOv63.0检测模型进行训练，完成海滨湿地丹顶鹤检测模型的构建；
[0015]步骤7，将需要检测的鸟类图片输入到海滨湿地丹顶鹤检测模型中进行检测，得到检测结果。
[0016]为优化上述技术方案，采取的具体措施还包括：
[0017]进一步地，步骤2中，对所收集到的海滨湿地丹顶鹤图像集进行标注，使用LabelImage标注工具对每张丹顶鹤图像进行标注，标注出丹顶鹤在图像中的位置，获取目标的类别和像素信息，得到海滨湿地丹顶鹤图像数据集标注信息。
[0018]进一步地，步骤3中，用包含分类数据的公开鸟类数据集CUB
‑
200
‑
2011对YOLOv63.0基础检测模型进行Pre
‑
train操作，使用冻结主干的方式对模型进行训练，加快网络训练速度，保证权重的完整性。
[0019]进一步地，步骤4中，将SENe注意力机制嵌入进YOLOv6 3.0主干网络部分的最后一层，将提取到的特征图采用SENet显式地构建特征通道之间的相互依赖关系后，学习到不同通道之间的依赖关系，得到改进YOLOv6 3.0检测模型。
[0020]进一步地，SENe注意力机制通过压缩(Squeeze)、激励(Exitation)和重标定(Reweight)操作来完成在通道上对原始特征图的重新标定，所述的操作如下：
[0021]Squeeze(压缩)，顺着空间维度进行特征的压缩，将每个二维的特征通道变成一个实数，这个实数具有全局的感受野，并且输出的维度和输入的特征通道数相匹配。它表示着在特征通道上响应的全局分布，并且能够使靠近输入的层也可以获得全局的感受野，Squeeze操作的计算公式如下方法：
[0022]Zc为相应特征图的全局信息，将H
×
W
×
C的输入转换成1
×1×
C的输出，H代表图片的高，W代表图片的宽。
[0023]Excitation(激励)，是一个类似于循环神经网络中门的机制，通过参数来为各个特征通道生成权重，其中各参数被学习用来显式地建模特征通道之间的相关性，门控单元的计算公式如下方法：s＝σ{g[W2δ(W1z)]}
[0024]z为Squeeze操作得到的数值结果的集合，W1和W2分别为两个全连接层的权值矩阵，维度分别是Cr
×
C和C
×
Cr，r代表缩放参数，δ代表Re LU激活函数，σ代表Sigmoid激活函数，s则是通过全连接层和非线性层得到的c个特征图的权重集合。
[0025]Reweight(缩放)，将Excitation的输出权重看做是通过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征
的重标定。
[0026]进一步地，步骤5中，使用迁移学习中的基于共享参数的方法，将Pre
‑
train操作后所得到的模型权重迁移到改进YOLOv6 3.0检测模型，完成迁移学习过程。
[0027]进一步地，步骤6中，使用海滨湿地丹顶鹤图像数据集对完成迁移学习后的改进YOLOv6 3.0检测模型进行训练，以突出丹顶鹤这一种类在模型中的权重划分，从而完成海滨湿地丹顶鹤检测模型的构建。
[0028]进一步地，步骤7中，将需要检测的鸟类图片输入到海滨湿地丹顶鹤检测模型中进行检测，得到检测结果，可在图像中显示目标位置和得分情况，根据得分情况判断检测目标。
[0029]本专利技术的有益效果是：第一，本专利技术利用深度学习方法，对现有检测模型进行改进，通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SENet注意力机制与迁移学习的海滨湿地丹顶鹤检测方法，其特征在于，所述的目标检测方法包括以下步骤：步骤1，收集高质量丹顶鹤图像数据，构建海滨湿地丹顶鹤图像集；步骤2，对构建好的海滨湿地丹顶鹤图像集进行筛选并进行标注，得到海滨湿地丹顶鹤图像数据集标注信息；步骤3，利用包含分类数据的公开鸟类数据集CUB
‑
200
‑
2011对YOLOv6 3.0基础检测模型进行Pre
‑
train操作，得到模型权重；步骤4，将SENe注意力机制嵌入进YOLOv6 3.0主干网络部分的最后一层，得到改进YOLOv6 3.0检测模型；步骤5，将步骤3中得到的模型权重迁移到步骤4中改进YOLOv6 3.0检测模型，完成迁移学习；步骤6，使用海滨湿地丹顶鹤图像数据集对步骤5中完成迁移学习后的改进YOLOv6 3.0检测模型进行训练，完成海滨湿地丹顶鹤检测模型的构建；步骤7，将需要检测的鸟类图片输入到海滨湿地丹顶鹤检测模型中进行检测，得到检测结果。2.根据权利要求1所述的一种基于SENet注意力机制与迁移学习的海滨湿地丹顶鹤检测方法，其特征在于，步骤2中，对收集到的海滨湿地丹顶鹤图像集进行标注，使用LabelImage标注工具对每张图像进行标注，标注出丹顶鹤在图中的位置，获取目标的类别和像素信息，得到海滨湿地丹顶鹤图像数据集。3.根据权利要求1所述的一种基于SENet注意力机制与迁移学习的海滨湿地丹顶鹤检测方法，其特征在于，步骤3中，用包含分类数据的公开鸟类数据集CUB
‑
200
‑
2011对YOLOv63.0基础检测模型进行Pre
‑
train操作，使用冻结主干的方式对模型进行训练，加快网络训练速度，保证权重的完整性。4.根据权利要求1所述的一种基于SENet注意力机制与迁移学习的海滨湿地丹顶鹤检测方法，其特征在于，步骤4中，将SENe注意力机制嵌入进YOLOv6 3.0主干网络部分的最后一层，将提取到的特征图采用SENet显式地构建特征通道之间的相互依赖关系后，学习到不同通道之间的依赖关系。5.根据权利要求4所述的一种基于SENet注意力机制与迁移学习的海滨湿地丹顶鹤检测方法，其特征在于，通过压...

【专利技术属性】
技术研发人员：杨心慧，周彩根，
申请(专利权)人：盐城师范学院，
类型：发明
国别省市：