【技术实现步骤摘要】
本专利技术属于鸟类目标检测，主要涉及到一种基于深度学习的卷积神经网络模型的鸟类目标检测方法
技术介绍
1、由于鸟类对环境变化的敏感性和易于调查，研究人员经常使用鸟类多样性来评估生态环境并且作为环境质量的重要指标。由于人工智能的发展已经得到广泛的应用，在动物保护方面也是各国学者研究的热点之一。近几十年来基于视觉的目标检测方法主导了鸟类识别。
2、一些团队通过将鸟类的彩色图像转换成黑白照片来创建签名，使用签名计算每个节点的分数，然后使用分数分析预测每种鸟类。其他的一些团队提出一种基于目标检测和多目标跟踪网络的鸟类检测方法，该方法在yolov7模型的正面增加三个gam模块以减少信息扩散和放大全局交互表示，并利用alphaiou损失函数来实现更精确的边界框回归。还有些团队通过引入目标检测网络实现了鸟类部位的定位。他们首先使用图像中的部分注释训练多个目标检测网络，每个目标检测网络分别定位到物体、身体和头部区域对实现鸟类检测。尽管基于深度学习的鸟类检测算法已经取得了较大的改进，但仍存在许多问题。现在的一些方法虽然很大程度上提高了模型的精...
【技术保护点】
1.一种基于深度学习的神经网络模型的鸟类目标检测方法，基于YOLOv8的目标检测网络构建鸟类目标检测模型，其中所述鸟类检测模型包括Input网络模块、Backbone网络模块，Neck网络模块和Head网络模块，包括如下步骤；
2.根据权利要求1所述的一种基于深度学习的神经网络模型的鸟类目标检测方法，其特征在于将深度可分离卷积应用于YOLOv8头部模块中以降低模型的参数量，整个深度可分离卷积操作可分为以下两个步骤：
3.根据权利要求1所述的一种基于深度学习的神经网络模型的鸟类目标检测方法，其特征在于，所述Deformable Attention...
【技术特征摘要】
1.一种基于深度学习的神经网络模型的鸟类目标检测方法，基于yolov8的目标检测网络构建鸟类目标检测模型，其中所述鸟类检测模型包括input网络模块、backbone网络模块，neck网络模块和head网络模块，包括如下步骤；
2.根据权利要求1所述的一种基于深度学习的神经网络模型的鸟类目标检测方法，其特征在于将深度可分离卷积应用于yolov8头部模块中以降低模型的参数量，整个深度可分离卷积操作可分为以下两个步骤：
3.根据权利要求1所述的一种基于深度学习的神经网络模型的鸟类目标检测方法，其特征在于，所述deformable attention注意力机制与yolov8中的c2f进行融合为c2f_dattention模块并替换yolov8主干中原有的c2f模块，而deformable attention注意力机制以数据相关的方式选择自注意中的键和值的位置，这种方式更加灵活能够使模块更专注于相关区域以捕捉更...
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。