买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广州大学

摘要：本发明公开了一种基于协调注意力深度神经网络的菊头蝠识别方法，涉及动物学图像识别技术领域。获取菊头蝠正脸及侧脸图像作为数据集；将数据集划分为训练集和测试集；对训练数据集图像进行预处理及数据增强；构建EfficientNet‑CA神经网络模型；所述EfficientNet‑CA模型是将EfficientNet‑B0模型的核心模块MBConv移动翻转瓶颈卷积模块中的Squeeze‑and‑Excitation挤压与激励模块替换为称为协调注意力的CoordinateAttention模块，构成EfficientNet‑CA模型；为提高训练精度与速度，使用ImageNet上的动物数据集对EfficientNet‑CA进行预训练，得到预训练模型，并将预训练模型的全连接层输出类别更改为8类；最后输入测试集对训练好的模型进行测试。该网络克服了Squeeze‑and‑Excitation挤压与激励模块只考虑编码通道间信息，而忽略位置信息的问题。

主权项：1.一种基于协调注意力深度神经网络的菊头蝠识别方法，其特征在于，包括以下步骤：S1、获取数据集获取菊头蝠正脸及侧脸图像作为数据集，所述数据集为在全国各地山区拍摄的菊头蝠高清图像，并经过翼手目动物学专家进行严密的分类所得；S2、归纳数据集图像按3:1的比例将数据集随机划分为训练集和测试集，最终训练集图像的数量为694张，每个菊头蝠类别约有85张图像，对训练集图像进行数据增强，包括但不限于随机旋转、裁剪、翻转，改变透明度、亮度，随机删除；S3、建立模型图像分类模型基于EfficientNet-B0进行改进，模型包括Stage1到Stage9共9个阶段，其中Stage1为一个3×3的卷积操作；将EfficientNet-B0的核心模块移动翻转瓶颈卷积模块MBConv中的Squeeze-and-Excitation模块替换为协调注意力模块CoordinateAttention，称为CA层，因此Stage2到Stage8均为重复堆叠的MBConv-CA模块，所述MBConv-CA模块包括卷积层、CA层和Dropout层，卷积层中不同的卷积核决定了Stage2到Stage8可以是一个或多个堆叠的相同或不同的MBConv-CA模块，堆叠结构基于EfficientNet-B0，不进行更改；Stage9为一个1×1的卷积操作、池化层和全连接层，通过Softmax函数得到图像所属类别的概率；S4、图像训练对EfficientNet-CA图像分类模型进行预训练，具体采用ImageNet上的动物数据集对EfficientNet-CA进行训练，得到预训练模型，并将预训练模型的全连接层输出类别更改为8类，再将训练集图像输入经预训练后的EfficientNet-CA图像分类模型进行学习训练，利用反向传播迭代更新图像分类模型各层权重；S5、图像分类将测试集图像输入到训练好的EfficientNet-CA图像分类模型，输出该图像在某一类别的概率，概率值最大的输出节点所属的类别即为该图像的预测类别。

全文数据：

权利要求：

百度查询： 广州大学 一种基于协调注意力深度神经网络的菊头蝠识别方法