利用深度學習對野生動物進行自動識別分類,可以大大提高野生動物監(jiān)測效率,為野生動物保護策略的制定提供可靠的數據支持。但是目前野生動物的自動識別仍面臨著監(jiān)測圖像背景信息復雜、質量低造成的識別準確率低的問題,影響了深度學習技術在野生動物保護領域的應用落地。為了實現(xiàn)高準確率的野生動物自動識別,本文基于自建的內蒙古地區(qū)主要陸生野生動物數據集以及塞倫蓋蒂公開數據集,開展基于卷積神經網絡的野生動物監(jiān)測圖像自動識別方法研究,并分析了圖像質量對識別效果的影響,進一步探究了提高低質量圖像識別準確率的方法。主要內容如下:1、提出基于感興趣區(qū)域與卷積神經網絡的野生動物監(jiān)測圖像自動識別算法。采用基于回歸算法的目標檢測方法,對監(jiān)測圖像中野生動物區(qū)域進行檢測并分割,生成ROI(Region of Interest)圖像,減少復雜背景信息對物種識別的干擾;構建基于全局-局部的VGG16雙通道網絡模型對樣本圖像進行特征提取,最后輸入分類器實現(xiàn)野生動物的識別。提出的識別模型對馬鹿、斑羚、狍、猞猁和野豬五種野生動物的識別效果均優(yōu)于VGG19結構下的雙通道網絡模型以及基于VGG16、R-CNN和Fast R-CNN的識別模型...

【文章頁數】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 選題背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 傳統(tǒng)野生動物圖像識別研究現(xiàn)狀
        1.2.2 基于卷積神經網絡的野生動物圖像識別研究現(xiàn)狀
        1.2.3 低質量圖像識別研究現(xiàn)狀
    1.3 本文的研究內容與組織結構
        1.3.1 研究內容
        1.3.2 組織結構
2 基于卷積神經網絡的圖像識別基礎
    2.1 卷積神經網絡
    2.2 深度殘差網絡
        2.2.1 殘差模塊
        2.2.2 多分支聚合殘差結構
    2.3 野生動物監(jiān)測圖像數據集
        2.3.1 內蒙古地區(qū)主要陸生野生動物監(jiān)測圖像數據集
        2.3.2 塞倫蓋蒂公開數據集
    2.4 本章小結
3 基于ROI與 CNN的野生動物監(jiān)測圖像自動識別
    3.1 感興趣區(qū)域(ROI)提取技術概述
        3.1.1 基于視覺顯著性的ROI提取方法
        3.1.2 基于深度學習的ROI提取方法
    3.2 基于ROI與 CNN的雙通道野生動物自動識別算法研究
        3.2.1 野生動物感興趣區(qū)域提取
        3.2.2 雙通道卷積神經網絡
        3.2.3 評價指標
    3.3 實驗結果與分析
        3.3.1 不同CNN網絡結構的對比實驗
        3.3.2 與VGG16、R-CNN、Fast R-CNN的性能對比實驗
    3.4 本章小結
4 基于SE-Res Ne Xt的野生動物監(jiān)測圖像自動識別
    4.1 SENet單元結構概述
    4.2 SE-Res Ne Xt網絡結構
    4.3 實驗結果與分析
        4.3.1 基于自建數據集的對比實驗
        4.3.2 基于塞倫蓋蒂數據集的對比實驗
    4.4 本章小結
5 低質量監(jiān)測圖像對算法識別效果影響探究
    5.1 低質量監(jiān)測圖像特點與分析
        5.1.1 低分辨率監(jiān)測圖像特點與分析
        5.1.2 高丟包率監(jiān)測圖像特點與分析
        5.1.3 低質量野生動物監(jiān)測圖像樣本集制作
    5.2 低質量監(jiān)測圖像的自動識別實驗研究
        5.2.1 低質量監(jiān)測圖像自動識別實驗
        5.2.2 低質量監(jiān)測圖像自動識別結果與分析
    5.3 基于圖像預處理的低質量監(jiān)測圖像自動識別實驗研究
        5.3.1 基于雙三次插值的圖像像素擴充
        5.3.2 圖像銳化去噪增強
        5.3.3 基于低質量圖像預處理的自動識別實驗分析
        5.3.4 不同超參數實驗分析
    5.4 本章小結
6 總結與展望
    6.1 總結
    6.2 展望
參考文獻
個人簡介
導師簡介
獲得成果目錄
致謝



本文編號：3914406