CN115331134B 一种金丝猴新个体识别方法 （西北大学）

别个数误差在3个以内，SS_NIR在金丝猴新个体2步骤S2：对视频进行等间隔的分帧处理，分帧后金丝猴图像使用图像质量评估算法步骤S4：对检测得到的金丝猴面部图像数据进行预处步骤S5：将得到高质量金丝猴面部图像预训练编码步骤61：将高质量金丝猴图像数据输入编码器进行预训练，预训练模块采用的是步骤62：通过孪生网络编码器得到两个金丝猴图像步骤63：不断迭代基于孪生网络和深度特征步骤S71：通过带标签数据的先验知识，使用K_means多步骤S82：利用ResNet_50与K_means聚类算法交替训练的方3同尺度的图像被分成固定大小的图像块，然后被送入到以预训练好图像质学习的矩阵TeRXCXD，输入的图像尺寸为H,W,并将图像划分为多个尺寸为P的图像块，步骤S23：对所用的图像复用一个相同的哈希矩阵，HSE步骤S25：使用质量评估算法MUSIQ对采集的金丝猴图步骤S31：使用labelme标注工具对金丝猴图像步骤S32：将精细标注后的用于训练检测网络的数据馈入目标步骤S41：通过步骤S3得到的金丝猴面部数据，裁剪同一尺45[0017]步骤S21：首先得到金丝猴图像的多尺度表示，包括原图和固定长宽比缩放(ARP(aspectratiopreserved)resized)的变体。不同尺度的图像被分成固定大小的图像块，[0023]步骤S32：将精细标注后的用于训练检测网络的数据馈入目标检测网络yolov5,67[0043]图2是本发明采用的基于孪生网络和深度特征聚类算法的自监督新个体识别的网以准确标记和识别等。为此，本发明提出了分级集成网络(HierarchicalEnsembleNetworks，HE_Nets)以及基于孪生网络和深度特征聚类算法的自监督新个体识别算法8的视觉特征.通过从带标签数据中学习的先验知识减少聚类的模糊[0063]首先，编码器预训练模块利用带标签的金丝猴面部图像知识迁移的方法，将已经训练好的网络模型作为金丝猴类别数量估计模块的特征编码器，9帧作为已经预训练收敛的目标检测网络yoloyolov5处理得到的金丝猴面部图像定位是相当的准确，囊括金丝猴面部所有据有区分度[0074]首先在图像x随机选取两个区域并扩充为视图x1和x2作为编码器预训练模块的输入批归一化(BatchNormalization)后效过计算两个质量指数来检查得到的聚类结果，其中一个质量指数是检查带标签数据的质[0093]假设带标签的数据集其中x为图像，y为x对应的类别标集的类别标签"e,…,K}是未知的，其中K表示无标签数据含有金丝猴个体的数量，K[0094]首先，将Tl划分为探针子集r;和训练子集Ttl,使用训练子集Ttl作为ResNet_50的的网络，如何将已经训练完成的网络用于新个体识别是本文研究的重点。接下来固定[0095]接下来将探针子集与无标签数据集Tu同时用于类别数量估计。将探针子集划分成固定探针集和验证探针集固定探针集和验证探针集按照4:1的比例分射到同一个簇，而验证探针集中的图像被视为附加的无标签数据。通过多次使用K_means算法不断估计和更新的总类别数量C，并选个指标进行衡量的，第一个指标是衡量固定探针集的聚类质量，第二个指标是衡量最后，从所有结果中选出最大的V^对应的类别数量C，将最佳类别C带入K_means算法中对r;:ur"的类别数量C；上运行K_means。[0104]假设是使的ACC最大化的值，是使的CVI最大化的值，计算并选择V^最大值对应的类别数量C再次运行K_means算[0106]查看的结果簇并丢弃任何聚类结果中簇周围数据小于等于最大簇周围标签数据Tu进行了预训练过程。因此，本小节将类模块使用K_means聚类算法(无标签数据聚类模块框架结构[0119]用于模型训练的图像数据为在野外对已进行习惯化招引的金丝猴个体进行较近[0121]实验采用Python深度学习框架Pytorch实现深度神经编码器网络，实验所用设备个数为5的实验结果，但我们发现虽然估计值高于真实值，但未对聚类结果产生较大的影[0138]在假定无标签数据类别个数为15的前提下，5次实验结果估计的类别数量分别为[0145]通过使用Axes3D库将事先假定的5类、10类以及15类的无标签个体的聚类结果投[0146]在图5(a)中，展示了对5类无标签数据进行按照估计的类别个数进行聚类的表示将识别结果中准确率高的前几个个体加入到原