(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210078169.3 (22)申请日 2022.01.24 (71)申请人 中国民航大 学 地址 300300 天津市东 丽区津北公路2898 号 (72)发明人 孙辉　史玉龙　王蕊　 (74)专利代理 机构 北京冠和权律师事务所 11399 代理人 时嘉鸿 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习网络的轻量化的高分辨 率鸟群识别方法 (57)摘要 本发明提供了一种基于深度学习网络的轻 量化的高分辨率鸟群识别方法， 包括： 基于HRNet 网络构建有四个并行子网组成的鸟群场景识别 网络； 基于点级注释和聚焦逆距离算法生成FID T 图， 通过所述FID T图对所述鸟群场景识别网络进 行监督训练； 将机场鸟群图片集导入 所述监督训 练后的鸟群场景识别网络， 通过联合上采样， 获 取最终特征图集合； 根据所述最终特征图集合， 基于预设的计数准则和定位准则， 确定鸟群的唯 一计数定位图。 本文发明通过 非对称卷积与冗余 特征图线性变换机制相结合， 增强了网络提取鸟 群飞行姿态特征的能力和获得丰富的鸟群特征 的同时， 降低了模型复杂度。 本发明通过联合损 失函数来监督训练过程， 减少图像中无关背景的 影响， 加快网络收敛速度。 权利要求书3页 说明书10页 附图5页 CN 114419444 A 2022.04.29 CN 114419444 A 1.一种基于深度学习网络的轻量 化的高分辨 率鸟群识别方法， 其特 征在于， 包括： 基于HRNet网络构建有四个并行子网组成的鸟群场景识别网络； 基于点级注释和聚焦逆距离算法生成FIDT图， 通过所述FIDT图对所述鸟群场景识别网 络进行监 督训练； 将机场鸟群图片集导入所述监督训练后的鸟群场景识别网络， 通过联合上采样， 获取 最终特征图集合； 根据所述最终特征图集合， 基于预设的计数准则和定位准则， 确定鸟群的唯一计数定 位图。 2.如权利要求1所述的一种基于深度学习网络的轻量化的高分辨率鸟群识别方法， 其 特征在于， 所述并行子网包括第一子网、 第二子网、 第三子网和第四子网； 其中， 所述第四子网的分辨 率为第三子网分辨 率的一半； 所述第三子网的分辨 率为第二子网分辨 率的一半； 所述第二子网的分辨 率为第一子网分辨 率的一半； 并行子网的分辨 率依次减半降低； 其中， 所述子网得分辨 率在减半降低时， 所述子网的通道数翻倍； 所述四个并行子网用于生成四个不同尺寸的特 征图。 3.如权利要求2所述的一种基于深度学习网络的轻量化的高分辨率鸟群识别方法， 其 特征在于， 所述方法还 包括： 基于非对称卷积和冗余特征图线性变换机制， 构建鸟群场景识别网络的残差模块； 其 中， 所述并行子网包括多个ACGbl ock模块和多个ACGneck模块； 所述第一子网由4个ACGneck模块构成； 所述第二子网由一个多分辨 率块构成； 所述第三子网由四个多分辨 率块构成； 所述第四子网由三个多分辨 率块构成； 所述多分辨 率块由四个ACGbl ock模块构成。 4.如权利要求2所述的一种基于深度学习网络的轻量化的高分辨率鸟群识别方法， 其 特征在于， 所述冗余特 征图线性变换机制包括： 基于普通卷积层的卷积核生成部分原 始特征图； 通过所述特征通道卷积层， 将所述部分原 始特征图进行线性变换， 生成通道特 征图。 5.如权利要求1所述的一种基于深度学习网络的轻量化的高分辨率鸟群识别方法， 其 特征在于， 所述方法还 包括： 对所述四个不同尺寸的特 征图进行插值上采样， 其包括如下步骤： 将所述四个不同尺寸的特 征图调整为相同的通道数进行输出； 并将所述特征图内的鸟群特征映射至相同的空间， 确定机场鸟群图片集在四个不同尺 寸下的多尺度信息 。 6.如权利要求1所述的一种基于深度学习网络的轻量化的高分辨率鸟群识别方法， 其 特征在于， 所述基于点级注释和聚焦逆距离算法生成FIDT图包括： 获取标注工具；权　利　要　求　书 1/3 页 2 CN 114419444 A 2通过所述标注工具对预设训练数据集中每张图像进行点级标注； 根据所述 点级标注， 确定坐标位置和鸟群数量， 并生成点级标注的标注训练数据集； 将所述标注训练数据集 通过聚焦逆距离算法， 进行聚焦变换， 生成FIDT图。 7.如权利要求6所述的一种基于深度学习网络的轻量化的高分辨率鸟群识别方法， 其 特征在于， 所述基于点级注释和聚焦逆距离算法生成FIDT图还 包括： 基于所述FIDT图， 进行 数据扩展； 其中， 所述数据集扩展包括： 图像缩放、 图像剪切 和图像旋转； 在数据扩展后， 构建3 ×3的池化层； 根据所述3 ×3的池化层， 确定FIDT图中鸟群位置信息； 根据所述FIDT图中鸟群位置信息， 设置自适应阈值， 判断所述 点级注释是否漏报。 8.如权利要求1所述的一种基于深度学习网络的轻量化的高分辨率鸟群识别方法， 其 特征在于， 所述方法还 包括： 根据所述最终特征图， 建立基于负样本抑制损失函数与区域结构损失函数的联合损失 函数； 其中， 所述联合损失函数定义 为： 其中， 为控制负样本抑制损失函数权重的超参数， L2为欧里几德损失， LI‑S为区域结构 损失函数， Lmf为负样本抑制 损失函数； 所述负样本抑制 损失函数定义 为： 其中， Z表示在图像I中鸟类数量， 表示对J像素点预测的可能性， 当 为1时表示当前 像素点为鸟类， 为0时表示背 景， γ为控制易分类样 本权重的参数， δ为降低鸟类周围背 景比 例的惩罚参数； 所述区域结构损失函数为： 其中， En表示预测产生的FIDT图中第n只鸟类所在的区域； Gn表示真实FIDT图中第n只鸟 类所在的区域； N表示真实FIDT图中鸟类数量； n 为正整数。 根据所述联合损失函数， 判断所述鸟群的计数定位图是否正确。 9.如权利要求1所述的一种基于轻量化的高分辨率鸟群识别深度学习网络， 其特征在 于， 所述计数准则包括： 根据所述 最终特征图集合， 计算平均绝对误差和均方程 误差； 将所述平均绝对误差作为第一评估准则； 其中， 所述第一评估准则如下式所示：权　利　要　求　书 2/3 页 3 CN 114419444 A 3