申请/专利权人：东北林业大学

申请日：2023-12-30

公开（公告）日：2024-04-05

公开（公告）号：CN117831543A

主分类号：G10L17/26

分类号：G10L17/26;G10L17/02;G10L17/18;G10L25/24;G10L25/45;G06N3/0464;G06N3/048;G06N3/045;G06N3/082

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明一种基于EC‑EfficientNet的轻量化鸟鸣识别方法，涉及鸟类识别领域，为解决现有的鸟鸣识别模型往往具有较大参数量，计算精度不适于野外噪声干扰的环境，同时计算成本较高的问题。包括：步骤1：获取鸟鸣音频数据并进行预处理；步骤2：对鸟鸣音频数据进行特征提取，得到Mel倒谱系数；步骤3：基于得到的Mel倒谱系数进行动态差分参数的提取，然后与原Mel倒谱系数融合得到Mel动态融合特征的鸟鸣数据；步骤4：构建EC‑EfficientNet鸟鸣识别模型，模型引入ECA注意力机制，以捕获跨通道的交互信息，同时模型引入CBAM注意力机制，分别从通道和空间两个维度对特征图的各部分赋予不同的权重，以将注意力集中在更为重要的信息上；步骤5：对Mel动态融合特征的鸟鸣数据进行分类。

主权项：1.一种基于EC-EfficientNet的轻量化鸟鸣识别方法，其特征在于，包括如下步骤：步骤1：获取鸟鸣音频数据并对鸟鸣音频数据进行预处理；步骤2：对预处理后的鸟鸣音频数据进行特征提取，得到Mel倒谱系数；步骤3：基于得到的Mel倒谱系数进行动态差分参数的提取，然后与原Mel倒谱系数融合得到Mel动态融合特征的鸟鸣数据；步骤4：构建EC-EfficientNet鸟鸣识别模型，所述模型引入ECA注意力机制，以捕获跨通道的交互信息，同时模型引入CBAM注意力机制，分别从通道和空间两个维度对特征图的各部分赋予不同的权重，以将注意力集中在更为重要的信息上；步骤5：基于所述EC-EfficientNet鸟鸣识别模型对Mel动态融合特征的鸟鸣数据进行分类识别。

全文数据：

权利要求：

百度查询： 东北林业大学 一种基于EC-EfficientNet的轻量化鸟鸣识别方法

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