首页 > 分享 > 鸟类识别方法、装置、计算机设备及存储介质

鸟类识别方法、装置、计算机设备及存储介质

萌宠菠菠乐园
2024-11-29 01:28

技术特征：
1.鸟类识别方法，其特征在于，包括：获取待识别的图像数据；将所述图像数据输入鸟类识别模型中，获得所述图像数据的识别结果；其中，所述鸟类识别模型通过融合通道与关系特征学习的知识蒸馏方法训练获得。2.根据权利要求1所述的鸟类识别方法，其特征在于，所述鸟类识别模型通过融合通道与关系特征学习的知识蒸馏方法训练获得包括：构建未训练的学生网络和完成预训练的教师网络；将训练数据分别输入所述学生网络和所述教师网络获得所述学生网络的输出结果、所述教师网络的输出结果，所述训练数据还包括对应的真实标签数据；基于所述学生网络和所述教师网络的通道数据、所述学生网络的输出结果、所述教师网络的输出结果、所述学习网络与所述教师网络迁移训练数据间关系确定蒸馏损失函数；基于所述蒸馏损失函数对所述学生网络进行迭代训练，获得所述鸟类识别模型。3.根据权利要求2所述的鸟类识别方法，其特征在于，基于所述学生网络和所述教师网络的通道数据、所述学生网络的输出结果和所述教师网络的输出结果确定蒸馏损失函数：基于所述学生网络和所述教师网络的通道数据确定第一损失函数；基于所述学生网络的输出结果和所述教师网络的输出结果确定第二损失函数；基于所述学习网络与所述教师网络之间训练数据在通道内的关系确定第三损失函数；基于所述学生网络的输出结果和所述真实标签数据确定第四损失函数；将所述第一损失函数、所述第二损失函数、所述第三损失函数和所述第四损失函数加权求和，获得所述蒸馏损失函数。4.根据权利要求3所述的鸟类识别方法，其特征在于，所述第一损失函数为：其中，l
cd
表示第一损失函数，s表示学生网络，t表示教师网络，m表示一个batch中的训练数据个数，k表示一个训练数据中的总通道数，c
ij
表示第i个训练数据的第j个通道的权重。5.根据权利要求3所述的鸟类识别方法，其特征在于，所述第二损失函数为：其中，l
dkd
表示第二损失函数，表示网络输出的概率分布，z表示网络经过logits函数的输出结果，t表示温度参数，l
kl
表示学生网络和教师网络输出之间的kl散度，y表示训练数据对应的真实标签数据；其中，d(
·
)表示降低教师网络错误知识影响的函数，具体为：其中，a表示超参数，λ表示恒定系数，ep
n
表示训练过程中第n个epoch。6.根据权利要求3所述的鸟类识别方法，其特征在于，所述第三损失函数包括距离损失
函数和角度损失函数，其中：所述第三损失函数具体为：l
rd
＝l
dd
(c
u
,c
v
)+βl
ad
(c
u
,c
v
,c
ω
)其中，l
rd
表示第三损失函数，l
dd
表示距离损失函数，l
ad
表示角度损失函数，β表示权重系数，c
u
，c
v
，c
w
表示第u、v、w个训练数据的权重；所述距离损失函数具体为：其中，χ
n
表示一个batch中n个不同训练数据的组合个数，χ2＝{(c
u
,c
v
)|u≠v}；其中,l(
·
)表示距离函数，表示在教师网络t、学生网络s中训练数据之间的距离，具体为：数据之间的距离，具体为：其中，归一化常数其中，h(
·
)表示实例关系的huber损失，具体为：所述角度损失函数具体为：其中，χ3＝{(c
u
,c
v
,c
w
)|u≠v≠w}；其中，r(
·
)表示角度函数，表示在教师网络t、学生网络s中训练数据之间的角度,具体为：络s中训练数据之间的角度,具体为：其中，其中，表示标记。7.根据权利要求3所述的鸟类识别方法，其特征在于，所述第四损失函数为：l
ce
＝crossentropy(p
s
,y)
其中，crossentropy表示交叉熵损失函数，p
s
表示学生网络的预测输出，y为真实标签数据值。8.一种鸟类识别装置，其特征在于，包括：数据获取模块，所述数据获取模块用于获取待识别的图像数据；鸟类识别模块，所述鸟类识别模块用于将所述图像数据输入鸟类识别模型中，获得所述图像数据的识别结果；其中，所述鸟类识别模型通过融合通道与关系特征学习的知识蒸馏方法训练获得。9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的鸟类识别方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的鸟类识别方法的步骤。

技术总结
本申请涉及图像处理技术领域，公开了一种鸟类识别方法、装置、计算机设备及存储介质，所述方法包括：获取待识别的图像数据；将图像数据输入鸟类识别模型中，获得图像数据的识别结果；其中，鸟类识别模型通过融合通道与关系特征学习的知识蒸馏方法训练获得。本申请在通过知识蒸馏的方式减少了鸟类识别模型的复杂度，从而提升了鸟类模型的运行效率、降低了鸟类识别模型的存储成本之外，还在训练过程中逐渐降低教师错误知识对鸟类识别模型的影响，进而提升鸟类识别模型的性能，甚至使得鸟类识别模型可以超越大型教师网络的性能。可以超越大型教师网络的性能。可以超越大型教师网络的性能。

技术研发人员：苟建平陈裕熊祥硕陈潇君陈雯柏欧卫华柯佳夏书银
受保护的技术使用者：江苏大学
技术研发日：2022.05.17
技术公布日：2022/8/16