1.一种基于深度学习的鸟类识别方法,其特征在于,包括以下步骤: 步骤1、采集不同种类鸟的鸣声,声音信号预处理后,将其中包含有效音节的片段组成样本库; 步骤2、样本数据归一化及预加重处理后,通过时频分析算法获得时频谱图; 步骤3、通过卷积神经网络提取时频谱图的图像特征; 步骤4、经过分类器,根据特征进行鸟类分类识...
基于深度学习的鸟类识别方法,建立两个阶段的训练框架,在第一阶段,利用在大规模公开数据集上训练好的深度网络训练CUB‑200‑2011鸟类数据集,获得对鸟类数据集的微调模型;第二阶段,在自建的红树林滨海湿地数据集上微调第一阶段的模型,获得对于红树林滨海湿地特定鸟类的分类模型,利用分类模型实现基于深度学习的鸟类识别。
基于深度学习的鸟类识别方法,建立两个阶段的训练框架,在第一阶段,利用在大规模公开数据集上训练好的深度网络训练CUB‑200‑2011鸟类数据集,获得对鸟类数据集的微调模型;第二阶段,在自建的红树林滨海湿地数据集上微调第一阶段的模型,获得对于红树林滨海湿地特定鸟类的分类模型,利用分类模型实现基于深度学习的鸟类识别。
但是,湿地中鸟类成群结对,仅从单一视角对鸟群进行监测,所拍摄的图像上鸟与鸟之间存在互相遮挡的现象,使得深度学习模型无法准确学习被遮挡鸟类的特征,导致识别准确性的下降。 2、目前,获取鸟类图像的设备主要有摄像头和无人机两种,利用鸟类观测摄像头所拍摄的鸟类侧视图能够对鸟的侧面轮廓和细节特征有更清晰的刻画,便于...
1.一种基于深度学习的鸟类实时识别模型,包括底座(1)和识别模型本体(2),其特征在于:所述底座(1)的顶部通过支撑柱(3)转动连接有支撑板(4),所述支撑板(4)的底部固定连接有多个滑杆(5),所述滑杆(5)的底部固定连接有滑块(6),所述底座(1)的顶部设有与滑块(6)对应的环形滑轨,所述支撑板(4)的底部固定连接...
本发明公开了一种基于多源遥感观测和深度学习的湿地鸟类识别方法及系统,方法为:获取无人机俯视拍摄覆盖某湿地区域鸟类的多张无重复的正射图像;选取与每张正射图像相似度最高的一张视频帧后统一尺寸,组成多组图像对;对多组图像对进行人工标注,得到训练样本集和验证样本集;将训练样本集输入鸟类识别模型进行模型训练,利...
CN201910264817.2(22)申请日2019.04.03(71)申请人中国计量大学地址310018浙江省杭州市江干区学源街258号(72)发明人吕坤朋;孙斌;赵玉晓(74)专利代理机构代理人(51)Int.CI权利要求说明书说明书幅图(54)发明名称一种基于深度学习的鸟类识别方法(57)摘要本发明涉及一种基于深度学习的鸟类识别方法,属于鸟类鸣声识别技术...
摘要 本发明涉及一种基于深度学习的鸟类实时识别方法,属于鸟类鸣声识别技术领域。主要包括以下步骤:首先对环境中的音频活动进行监测和采集,对采集到的鸟鸣声进行预处理以及时频分析,得到不同种类鸟鸣声的时频谱图,再通过样本数据增强后对卷积神经网络进行训练得到较优模型,用于鸟类分类识别,最后经识别终端上传云服务器。
本发明涉及一种基于深度学习的鸟类实时识别方法,属于鸟类鸣声识别技术领域.主要包括以下步骤:首先对环境中的音频活动进行监测和采集,对采集到的鸟鸣声进行预处理以及时频分析,得到不同种类鸟鸣声的时频谱图,再通过样本数据增强后对卷积神经网络进行训练得到较优模型,用于鸟类分类识别,最后经识别终端上传云服务器.该方法...