【技术实现步骤摘要】
本专利技术属于计算机视觉面部图像分类，具体涉及一种面向牛面部识别场景的特征提取与轻量化方法。
技术介绍
1、随着近年来智慧农业与畜牧业的迅速发展，动物面部识别是该领域的重要研究内容，其中对于牛的面部识别与身份信息认证尤为关键。一方面，用户对牛只身份的准确识别可以摆脱传统人工标注记录的局限性，在保证准确性的同时提升效率。另一方面，牛只面部的精准识别也能对牛只病理检测与保险理赔等领域带来积极影响。这对牛面部识别模型的准确率以及内存占用与推理效率提出了更高的要求。
2、目前牛面部识别技术包含以下问题：
3、1)牛面部识别数据集图像不具有代表性。主要包括：数据多样性与代表性不足，即品种单一、年龄覆盖不全、环境单一等一系列问题；数据规模与标注质量的局限性，包含样本量、标注误差以及标注标准不统一等多种因素；因光照与分辨率引起的图像质量问题，也是不可忽视的方面。
4、2)面部识别模型构建策略单一。目前牛面部识别的研究方法主要集中在将常见的人脸识别模型(如retinaface、vgg-16)在特定的牛面部识别数据集上...
【技术保护点】
1.一种面向牛面部识别场景的特征提取与轻量化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述面向牛面部识别场景的特征提取与轻量化方法，其特征在于，所述牛面部识别神经网络模型的主干网络以ShuffleNetv2为基础进行设计。
3.根据权利要求2所述面向牛面部识别场景的特征提取与轻量化方法，其特征在于，所述牛面部识别神经网络模型的主干网络为DSFFNet。
4.根据权利要求3所述面向牛面部识别场景的特征提取与轻量化方法，其特征在于，所述牛面部识别神经网络模型的组合损失函数由交叉熵损失LCE1和焦点损失LFL构成；
...
【技术特征摘要】
1.一种面向牛面部识别场景的特征提取与轻量化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述面向牛面部识别场景的特征提取与轻量化方法，其特征在于，所述牛面部识别神经网络模型的主干网络以shufflenetv2为基础进行设计。
3.根据权利要求2所述面向牛面部识别场景的特征提取与轻量化方法，其特征在于，所述牛面部识别神经网络模型的主干网络为dsffnet。
4.根据权利要求3所述面向牛面部识别场景的特征提取与轻量化方法，其特征在于，所述牛面部识别神经网络模型的组合损失函数由交叉熵损失lce1和焦点损失lfl构成；
5.根据权利要求4所述面向牛面部识别场景的特征提取与轻量化方法，其特征在于，对所述牛面部识别神经网络模型进行轻量化改进，具体为：将主干网络dsffnet中中间层模块的倒残差模块个数调整为1，以调整后的主干网络dsffnet作为学生网络l-dsffnet，利用多个与学生网络l-dsffnet的网络结构相近的教师网络，基于训练集对学生网络l-dsffnet进行知识蒸馏训练，得到训练后学生网络l-dsffnet，用于替换训练后牛面部识别神经网络模型中的q个倒残差模块，进而完成轻量化改进。
...【专利技术属性】
技术研发人员：陈红波，田文洪，牟祚恺，王兆坤，李文艺，
申请(专利权)人：电子科技大学，
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。