一种迁移学习和可变形卷积深度学习的蝴蝶检测算法

• 全文链接
• 请求原文

作   者：

李策;  张栋;  杜少毅;  朱子重;  贾盛泽;  曲延云; 

作者机构：

兰州理工大学电气工程与信息工程学院; 

关键词：

深度卷积神经网络;  可变形卷积;  迁移学习;  蝴蝶生态照; 

期刊名称：

自动化学报

基金项目：

下一代深度学习理论、方法与关键技术
面向变换域的视注意深度学习感知计算及其应用研究
大规模图像分类中知识驱动的层次化学习研究

i s s n：

0254-4156

年卷期：

2019 年 09 期

页   码：

1772-1782

摘   要：

针对自然生态蝴蝶多种特征检测的实际需求,以及生态环境下蝴蝶检测效率低、精度差问题,本文提出了一种基于迁移学习和可变形卷积深度神经网络的蝴蝶检测算法(Transfer learning and deformable convolution deep learning network,TDDNET).该算法首先使用可变形卷积模型重建ResNet-101卷积层,强化特征提取网络对蝴蝶特征的学习,并以此结合区域建议网络(Region proposal network, RPN)构建二分类蝴蝶检测网络,以下简称DNET-base;然后在DNET-base的模型上,构建RPN网络来指导可变形的敏感位置兴趣区域池化层,以便获得多尺度目标的评分特征图和更准确的位置,再由弱化非极大值抑制(Soft non-maximum suppression, Soft-NMS)精准分类形成TDDNET模型.随后通过模型迁移,将DNET-base训练参数迁移至TDDNET,有效降低数据分布不均造成的训练困难与检测性能差的影响,再由Fine-tuning方式快速训练TDDNET多分类网络,最终实现了对蝴蝶的精确检测.所提算法在854张蝴蝶测试集上对蝴蝶检测结果的mAP0.5为0.9414、mAP0.7为0.9235、检出率DR为0.9082以及分类准确率ACC为0.9370,均高于在同等硬件配置环境下的对比算法.对比实验表明,所提算法对生态照蝴蝶可实现较高精度的检测.