申请/专利权人：江苏海洋大学;连云港鲸鸣信息科技有限公司

申请日：2024-01-09

公开（公告）日：2024-04-09

公开（公告）号：CN117854109A

主分类号：G06V40/10

分类号：G06V40/10;G06V10/764;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明提出了一种基于ResNet50的海洋生物分类识别方法，重定义卷积层并使用批量正则化，避免梯度参数紊乱。在神经网络中使用残差连接实现瓶颈层，利用迁移学习的方法构建了残差网络ResNet50。在19种常见的海洋动物数据集上进行分类训练，实验结果表明ResNet50的识别达到90％左右，与传统卷积神经网络VGG19进行对比，结果表明ResNet50识别效果更好，从而验证了本发明提出的海洋生物分类识别模型的有效性，凸显了本发明在准确率上的明显优势。

主权项：1.残差网络ResNet50模型生物分类识别，其特征在于，具体步骤如下：S1：使用一个ResNet架构的神经网络模型，针对残差块内的参数进行修改，手动搭建模型ResNet50，解决传统神经网络隐藏层过多时的退化问题；S2：在模型和数据集中使用残差网络、批正则化避免了梯度消失和梯度爆炸这两种极端，加速模型训练，提高了模型的泛化能力；S3：使用反向传播算法，解决模型出现梯度参数紊乱和拟合度偏差较大的问题；S4：重定义卷积层，在原来的基础上为卷积层输出的值进行批量正则化，减少代码量的作用，增强检测模型的准确性；S5：通过建立瓶颈层，减少参数的数量，减少计算量，增强数据的训练和推理有效性和直观性。

全文数据：

权利要求：

百度查询： 江苏海洋大学;连云港鲸鸣信息科技有限公司 一种基于ResNet50的海洋生物分类识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD