【技术实现步骤摘要】
本专利技术属于目标检测，具体涉及一种基于增量学习的野生动物物种识别方法。
技术介绍
1、野生动物在生态系统中扮演着重要角色，如食物链的构成、营养物质的循环、土壤保持与水源涵养等。通过物种检测，可以了解野生动物种群的数量、分布、行为习性等信息，评估它们对生态系统功能的影响，从而采取相应措施维护生态平衡。
2、现有的野生动物物种识别方法一般是基于分类任务或目标检测任务构建端到端的深度神经网络，通过样本标注、模型训练实现对野生动物物种的判断。由于端到端的深度神经网络架构的限制，这种方法在对未在训练集中出现过的物种预测时，会将其识别为与训练集中特征最相似的类别，并不具备识别新野生物种的能力。因此提供一种具备识别新野生物种的野生动物物种识别方法成为本领域技术人员亟待解决的技术问题。
3、中国专利cn116863250a公开了“一种涉及多模态未知类识别的开放场景目标检测方法”。该专利中提出了开放场景下未知类的识别方法，该方法首先训练开放场景未知识别的目标检测模型uc-osod；利用rpn产生背景框，将分值排前列的背景框标注为潜在未知类别；然后利用对比聚类的方法分离已知类别和未知类别；利用基于多模态的clip模型，优化开放场景未知识别的目标检测模型uc-osod，识别未知类别并进行分类；最后根据提供的未知类标签，利用增量学习方法学习新类，进而循环实现开放场景未知类识别。该方法采用了基于样本回放的类增量学习策略，随机对训练集内数据采样并和新类样本合并后微调检测网络，在挑选样本时未考虑不同样本对任务的重要程度，存在计算冗余
4、综上，现有的野生动物物种识别方法存在以下缺点：
5、1)检测类别受限：现有基于端到端的深度神经网络架构进行野生动物物种识别的方法，只具备识别已知类别物种的能力，不具备类别扩展功能。
6、2)计算冗余：当任务中新增物种类别时，需要重新训练神经网络，资源耗费大。
技术实现思路
1、为了解决现有野生动物物种识别方法存在的检测类别受限、计算冗余的问题，本专利技术提供一种基于增量学习的野生动物物种识别方法。
2、本专利技术为解决技术问题所采用的技术方案如下：
3、本专利技术提供的一种基于增量学习的野生动物物种识别方法，包括以下步骤：
4、步骤s1：构建已知类别物种检测数据集，训练已知类别物种检测模型，挑选各类别物种代表性样本，保存各类别物种的表达特征；
5、步骤s2：构建物种判别数据集，训练物种判别模型；
6、步骤s3：人工校验新物种样本数据；
7、步骤s4：构建物种检测微调数据集，基于特征回放的类增量策略更新已知类别物种检测模型，同时基于特征级的样本回放类增量策略更新物种判别模型。
8、进一步的，步骤s1中，所述已知类别物种检测数据集的标签包括物种类别和坐标位置信息；所述已知类别物种检测模型包括：特征提取模块、回归模块、分类模块和后处理模块；所述特征提取模块提取图像中野生动物的特征，并将提取的野生动物的特征输入至回归模块，通过回归模块定位目标野生动物的位置，同时将提取的野生动物的特征输入至分类模块，通过分类模块预测目标野生动物所属的类别，最后将目标野生动物的位置和目标野生动物所属的类别输入至后处理模块中，通过后处理模块去除预测的冗余预测框。
9、进一步的，步骤s1中，所述挑选各类别物种代表性样本，保存各类别物种的表达特征的具体流程如下：获取训练集中所有物种类别的样本在已知类别物种检测模型上的推理检测结果；针对每一类别物种，将检测正确的样本组成队列，并按照分类置信度的高低将样本队列排序，记录样本队列的前1％样本、样本队列的后4％样本以及与它们对应的分类置信度；将挑选出的物种代表性样本集合对应的表达特征集合f＝{f1,f2,...,fc}保存到本地。
10、更进一步的，所述表达特征集合的获取过程表示为：
11、fi＝detbackbone(xi),i∈c
12、其中，detbackbone表示已知类别物种检测模型的特征提取模块；i表示类别信息；c表示物种总类别数量；xi表示第i类物种代表性样本集合；fi表示第i类物种代表性样本集合对应的表达特征集合。
13、进一步的，步骤s2中，构建物种判别数据集的具体流程如下：
14、将所获取的物种代表性样本集合对应的表达特征组合成对，将相同类别的表达特征对按照分类置信度构造软标签，将不同类别的表达特征对标记为0。
15、更进一步的，所述软标签的构造规则如下：
16、
17、其中，l表示标记的标签；i、j均表示类别信息；c表示物种总类别数量；fi表示第i类物种样本对应的表达特征；fj表示第j类物种样本对应的表达特征；xi表示第i类物种代表性样本；xj表示第j类物种代表性样本；conf表示样本在已知类别物种检测模型的推理检测结果中分类置信度的值。
18、进一步的，所述物种判别模型包括特征映射分支1、特征映射分支2、特征聚合层和分类层；所述特征映射分支1和特征映射分支2分别将表达特征对升维映射至相同特征空间；所述特征聚合层将同一特征空间内的两支特征进行聚合，生成用于分类的中间特征；所述分类层处理中间特征得到两支特征是否属于同一类别的置信度。
19、进一步的，步骤s3的具体流程如下：
20、部署已知类别物种检测模型和物种判别模型后，推理时首先经过已知类别物种检测模型得到物种的位置、类别信息和表达特征；然后随机挑选不同物种分类置信度排名前1％的样本实例对应的表达特征与推理样本的表达特征逐一组合成对；最后利用物种判别模型对所有的表达特征对进行识别，如果所有的识别结果都判定不是同一类，则将推理样本标记为新物种；记录物种判别模型识别为新类别物种的样本数据的数量，并保存对应的表达特征，当新类别物种的样本数据的数量达到预设的样本数量后，人工对样本数据中物种类别信息进行校验。
21、进一步的，所述基于特征回放的类增量策略更新已知类别物种检测模型的具体流程如下：
22、将构建的已知物种代表性样本的表达特征与经人工校验后的新类别物种样本的表达特征汇总构成物种检测微调数据集；微调过程中，已知类别物种检测模型的特征提取模块不参与计算，微调的模型部分以表达特征作为输入；冻结回归模块的模型权重，表达特征经过回归模块后得到的物种位置信息不变；将分类模块的输出头数量由原始物种类别数量更改为包含新物种后的类别数量，表达特征经过分类模块得到物种的新类别信息；在物种检测微调数据集上微调得到新的已知类别物种检测模型，替换原有已知类别物种检测模型。
23、进一步的，所述基于特征级的样本回放类增量策略更新物种判别模型的具体流程如下：
24、将构建的物种代表性样本集合对应的表达特征组合成对与经人工校验后的新类别物种样本的表达特征重新构建物种判别数据集；在重新构建的物种判别数据集上微调得到新的物种判别模型，替本文档来自技高网...
【技术保护点】
1.一种基于增量学习的野生动物物种识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于增量学习的野生动物物种识别方法，其特征在于，步骤S1中，所述已知类别物种检测数据集的标签包括物种类别和坐标位置信息；所述已知类别物种检测模型包括：特征提取模块、回归模块、分类模块和后处理模块；所述特征提取模块提取图像中野生动物的特征，并将提取的野生动物的特征输入至回归模块，通过回归模块定位目标野生动物的位置，同时将提取的野生动物的特征输入至分类模块，通过分类模块预测目标野生动物所属的类别，最后将目标野生动物的位置和目标野生动物所属的类别输入至后处理模块中，通过后处理模块去除预测的冗余预测框。
3.根据权利要求2所述的一种基于增量学习的野生动物物种识别方法，其特征在于，步骤S1中，所述挑选各类别物种代表性样本，保存各类别物种的表达特征的具体流程如下：获取训练集中所有物种类别的样本在已知类别物种检测模型上的推理检测结果；针对每一类别物种，将检测正确的样本组成队列，并按照分类置信度的高低将样本队列排序，记录样本队列的前1％样本、样本队列的后4％样本以及与它们对
4.根据权利要求3所述的一种基于增量学习的野生动物物种识别方法，其特征在于，所述表达特征集合的获取过程表示为：
5.根据权利要求1所述的一种基于增量学习的野生动物物种识别方法，其特征在于，步骤S2中，构建物种判别数据集的具体流程如下：
6.根据权利要求5所述的一种基于增量学习的野生动物物种识别方法，其特征在于，所述软标签的构造规则如下：
7.根据权利要求1所述的一种基于增量学习的野生动物物种识别方法，其特征在于，所述物种判别模型包括特征映射分支1、特征映射分支2、特征聚合层和分类层；所述特征映射分支1和特征映射分支2分别将表达特征对升维映射至相同特征空间；所述特征聚合层将同一特征空间内的两支特征进行聚合，生成用于分类的中间特征；所述分类层处理中间特征得到两支特征是否属于同一类别的置信度。
8.根据权利要求2或5所述的一种基于增量学习的野生动物物种识别方法，其特征在于，步骤S3的具体流程如下：
9.根据权利要求8所述的一种基于增量学习的野生动物物种识别方法，其特征在于，所述基于特征回放的类增量策略更新已知类别物种检测模型的具体流程如下：
10.根据权利要求8所述的一种基于增量学习的野生动物物种识别方法，其特征在于，所述基于特征级的样本回放类增量策略更新物种判别模型的具体流程如下：
...【技术特征摘要】
1.一种基于增量学习的野生动物物种识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于增量学习的野生动物物种识别方法，其特征在于，步骤s1中，所述已知类别物种检测数据集的标签包括物种类别和坐标位置信息；所述已知类别物种检测模型包括：特征提取模块、回归模块、分类模块和后处理模块；所述特征提取模块提取图像中野生动物的特征，并将提取的野生动物的特征输入至回归模块，通过回归模块定位目标野生动物的位置，同时将提取的野生动物的特征输入至分类模块，通过分类模块预测目标野生动物所属的类别，最后将目标野生动物的位置和目标野生动物所属的类别输入至后处理模块中，通过后处理模块去除预测的冗余预测框。
3.根据权利要求2所述的一种基于增量学习的野生动物物种识别方法，其特征在于，步骤s1中，所述挑选各类别物种代表性样本，保存各类别物种的表达特征的具体流程如下：获取训练集中所有物种类别的样本在已知类别物种检测模型上的推理检测结果；针对每一类别物种，将检测正确的样本组成队列，并按照分类置信度的高低将样本队列排序，记录样本队列的前1％样本、样本队列的后4％样本以及与它们对应的分类置信度；将挑选出的物种代表性样本集合对应的表达特征集合f＝{f1，f2，...，fc}保存到本地。
4.根据权利要求3所述的一...
【专利技术属性】
技术研发人员：曲达明，黄艳金，李斯，
申请(专利权)人：中林信达北京科技信息有限责任公司，
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。