基于卷积神经网络的云南野生鸟类图像细粒度分类与识别研究

Birds are the most colorful biological species in nature. It is not only widely distributed, but also closely related to human production, life and living environment. Yunnan wild birds have been recorded in 848 classes, close to the world of bird species in 9%, 65.5% Chinese. Automatic detection, recognition and classification of Yunnan wild bird images in Yunnan are important for the study of the ecological environment distribution of Yunnan wild birds and the biodiversity of Yunnan wild birds..Relying on Yunnan plateau rich bird species diversity and ethnic cultural diversity and combined with the depth learning technology, the project will carry on research including Yunnan wild birds image fine-grained localization and part detection; convolutional neural network based birds image key feature extraction method; multi-class feature selection and fusion technology; and using transfer learning to effectively improve the generalization of Yunnan wild birds image classification accuracy and classification model in fewer training samples..The outcomes of this project are to provide the fine granularity detection and automatic identification of Yunnan wild bird images, and establish the Yunnan wild bird image database. Exploring the relationship between the distribution of Yunnan wild bird species and the change of ecological environment and improving the biodiversity conservation of Yunnan wild birds.

鸟类是自然界中最为艳丽的生物类群，不仅分布广泛，种类和生态类型繁多，而且与人类的生产、生活和生存环境密切相关。云南野生鸟类已记录的有848种，接近世界鸟类种数的9%，中国的65.5%。研究云南野生鸟类图像的自动检测、识别和分类技术，对于研究云南野生鸟类的生态环境分布和保护云南野生鸟类的生物多样性都具有重要意义。.项目将依托云南高原丰富的鸟类物种多样性和名族文化多样性，结合深度学习技术，研究云南野生鸟类图像的细粒度局部定位和部件检测；基于卷积神经网络的鸟类图像关键特征提取方法；多类型特征优化选择与融合技术；以及在训练样本较少的情况下，利用迁移学习有效地提高云南野生鸟类图像的分类精度和分类模型的泛化性。.通过项目研究，完成对云南野生鸟类图像的细粒度检测和自动识别，建立云南野生鸟类图像数据库。为探索云南野生鸟类物种分布与生态环境变化之间的联系，增进云南野生鸟类生物多样性保护提供有效分类信息。

项目以基于深度学习的云南野生鸟类图像细粒度识别为研究主题，重点对基于深度学习的云南野生鸟类图像细粒度分类和基于深度学习的云南野生鸟类图像细粒度物体检测两个方面进行了研究。.收集和标注云南野生鸟类图像数据集。为了能够支撑项目的云南野生鸟类图像细粒度识别研究，我们从云南省野生鸟类资源中收集了200个类别的鸟类，每个类别60幅图像，共12000幅图像。同时为数据集中的每一幅鸟类图像提供：鸟的类别标签，鸟整体、鸟头部和鸟身体的矩形包围盒坐标，以及鸟的分割掩码。这个数据集及其丰富的标注信息为云南野生鸟类图像细粒度识别及其相关研究奠定了坚实的数据基础。.结合卷积神经网络和随机森林提出一种改进的鸟类图像部件定位方法。首先用卷积神经网络计算输入图像的特征图，并使用快速泊松盘采样算法提取正样本和负样本；然后对特征图进行上采样，将上采样的特征图进行堆叠以提取正样本和负样本的特征向量；接着使用随机森林对特征向量进行训练，最后使用训练好的模型对鸟类图像的部件进行定位。.提出联合语义部件特征的鸟类图像细粒度分类模型。该模型由语义部件检测网络和分类网络两个模块组成。语义部件检测网络利用基于深度残差网络的物体检测算法对鸟类图像的语义部件进行检测。通过构建一个三路基于深度残差网络的分类模型同时对对象级和部件级的特征进行聚合，然后进行分类。.提出基于区域全卷积网络的鸟类图像细粒度物体检测模型。使用深度残差网络作为主干架构，通过两个阶段完成细粒度鸟类物体检测。第一个阶段使用区域建议网络通过残差网络来自动生成候选区域包围盒。第二个阶段在残差网络的最后一个卷积层上生成位置感知得分图和位置回归得分图两个分支。通过多任务损失函数对检测网络进行端到端的学习，最后通过非极大值抑制得到检测结果。.设计并实现基于深度学习的云南野生鸟类图像自动识别系统。该系统不仅能够准确识别鸟类种类，还能给出鸟类所属的概率和该鸟类种类对应的目、科、属、外形特征等相关信息素，具有较好的实用价值。.通过项目的研究，能够为探索云南野生鸟类物种分布与生态环境变化之间的联系，增进云南野生鸟类生物多样性保护提供有效分类信息。