利用深度學(xué)習(xí)對(duì)野生動(dòng)物進(jìn)行自動(dòng)識(shí)別分類,可以大大提高野生動(dòng)物監(jiān)測(cè)效率,為野生動(dòng)物保護(hù)策略的制定提供可靠的數(shù)據(jù)支持。但是目前野生動(dòng)物的自動(dòng)識(shí)別仍面臨著監(jiān)測(cè)圖像背景信息復(fù)雜、質(zhì)量低造成的識(shí)別準(zhǔn)確率低的問(wèn)題,影響了深度學(xué)習(xí)技術(shù)在野生動(dòng)物保護(hù)領(lǐng)域的應(yīng)用落地。為了實(shí)現(xiàn)高準(zhǔn)確率的野生動(dòng)物自動(dòng)識(shí)別,本文基于自建的內(nèi)蒙古地區(qū)主要陸生野生動(dòng)物數(shù)據(jù)集以及塞倫蓋蒂公開(kāi)數(shù)據(jù)集,開(kāi)展基于卷積神經(jīng)網(wǎng)絡(luò)的野生動(dòng)物監(jiān)測(cè)圖像自動(dòng)識(shí)別方法研究,并分析了圖像質(zhì)量對(duì)識(shí)別效果的影響,進(jìn)一步探究了提高低質(zhì)量圖像識(shí)別準(zhǔn)確率的方法。主要內(nèi)容如下:1、提出基于感興趣區(qū)域與卷積神經(jīng)網(wǎng)絡(luò)的野生動(dòng)物監(jiān)測(cè)圖像自動(dòng)識(shí)別算法。采用基于回歸算法的目標(biāo)檢測(cè)方法,對(duì)監(jiān)測(cè)圖像中野生動(dòng)物區(qū)域進(jìn)行檢測(cè)并分割,生成ROI(Region of Interest)圖像,減少?gòu)?fù)雜背景信息對(duì)物種識(shí)別的干擾;構(gòu)建基于全局-局部的VGG16雙通道網(wǎng)絡(luò)模型對(duì)樣本圖像進(jìn)行特征提取,最后輸入分類器實(shí)現(xiàn)野生動(dòng)物的識(shí)別。提出的識(shí)別模型對(duì)馬鹿、斑羚、狍、猞猁和野豬五種野生動(dòng)物的識(shí)別效果均優(yōu)于VGG19結(jié)構(gòu)下的雙通道網(wǎng)絡(luò)模型以及基于VGG16、R-CNN和Fast R-CNN的識(shí)別模型...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 選題背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)野生動(dòng)物圖像識(shí)別研究現(xiàn)狀
        1.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的野生動(dòng)物圖像識(shí)別研究現(xiàn)狀
        1.2.3 低質(zhì)量圖像識(shí)別研究現(xiàn)狀
    1.3 本文的研究?jī)?nèi)容與組織結(jié)構(gòu)
        1.3.1 研究?jī)?nèi)容
        1.3.2 組織結(jié)構(gòu)
2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 深度殘差網(wǎng)絡(luò)
        2.2.1 殘差模塊
        2.2.2 多分支聚合殘差結(jié)構(gòu)
    2.3 野生動(dòng)物監(jiān)測(cè)圖像數(shù)據(jù)集
        2.3.1 內(nèi)蒙古地區(qū)主要陸生野生動(dòng)物監(jiān)測(cè)圖像數(shù)據(jù)集
        2.3.2 塞倫蓋蒂公開(kāi)數(shù)據(jù)集
    2.4 本章小結(jié)
3 基于ROI與 CNN的野生動(dòng)物監(jiān)測(cè)圖像自動(dòng)識(shí)別
    3.1 感興趣區(qū)域(ROI)提取技術(shù)概述
        3.1.1 基于視覺(jué)顯著性的ROI提取方法
        3.1.2 基于深度學(xué)習(xí)的ROI提取方法
    3.2 基于ROI與 CNN的雙通道野生動(dòng)物自動(dòng)識(shí)別算法研究
        3.2.1 野生動(dòng)物感興趣區(qū)域提取
        3.2.2 雙通道卷積神經(jīng)網(wǎng)絡(luò)
        3.2.3 評(píng)價(jià)指標(biāo)
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 不同CNN網(wǎng)絡(luò)結(jié)構(gòu)的對(duì)比實(shí)驗(yàn)
        3.3.2 與VGG16、R-CNN、Fast R-CNN的性能對(duì)比實(shí)驗(yàn)
    3.4 本章小結(jié)
4 基于SE-Res Ne Xt的野生動(dòng)物監(jiān)測(cè)圖像自動(dòng)識(shí)別
    4.1 SENet單元結(jié)構(gòu)概述
    4.2 SE-Res Ne Xt網(wǎng)絡(luò)結(jié)構(gòu)
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 基于自建數(shù)據(jù)集的對(duì)比實(shí)驗(yàn)
        4.3.2 基于塞倫蓋蒂數(shù)據(jù)集的對(duì)比實(shí)驗(yàn)
    4.4 本章小結(jié)
5 低質(zhì)量監(jiān)測(cè)圖像對(duì)算法識(shí)別效果影響探究
    5.1 低質(zhì)量監(jiān)測(cè)圖像特點(diǎn)與分析
        5.1.1 低分辨率監(jiān)測(cè)圖像特點(diǎn)與分析
        5.1.2 高丟包率監(jiān)測(cè)圖像特點(diǎn)與分析
        5.1.3 低質(zhì)量野生動(dòng)物監(jiān)測(cè)圖像樣本集制作
    5.2 低質(zhì)量監(jiān)測(cè)圖像的自動(dòng)識(shí)別實(shí)驗(yàn)研究
        5.2.1 低質(zhì)量監(jiān)測(cè)圖像自動(dòng)識(shí)別實(shí)驗(yàn)
        5.2.2 低質(zhì)量監(jiān)測(cè)圖像自動(dòng)識(shí)別結(jié)果與分析
    5.3 基于圖像預(yù)處理的低質(zhì)量監(jiān)測(cè)圖像自動(dòng)識(shí)別實(shí)驗(yàn)研究
        5.3.1 基于雙三次插值的圖像像素?cái)U(kuò)充
        5.3.2 圖像銳化去噪增強(qiáng)
        5.3.3 基于低質(zhì)量圖像預(yù)處理的自動(dòng)識(shí)別實(shí)驗(yàn)分析
        5.3.4 不同超參數(shù)實(shí)驗(yàn)分析
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)介
導(dǎo)師簡(jiǎn)介
獲得成果目錄
致謝



本文編號(hào)：3914406