申请/专利权人：浙江理工大学

申请日：2023-12-01

公开（公告）日：2024-04-12

公开（公告）号：CN117876735A

主分类号：G06V10/764

分类号：G06V10/764;G06V40/10;G06V20/05;G06V10/44;G06V10/82;G06N3/006;G06N7/08;G06N3/0464;G06N3/0499;G06N3/084;G06N3/096;G06N3/048

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明针对水生生物分类中存在的问题，提出了一种基于卷积神经网络、前馈神经网络以及优化算法的水生生物类别电子标注方法。使用ILSVRC2012的和水下相关的部分数据集对Resnet101神经网络进行迁移学习，使其对水下物体分类更加准确，用Resnet101对水下物体进行特征提取，随后用经混沌映射优化优化的金鹰优化算法和L2,1正则化优化的随机向量函数链接网络对水生生物进行分类并进行类别标注。

主权项：1.一种基于残差卷积网络的水生生物类别电子标注方法，其特征在于，包括以下步骤：步骤1：获取图像，构建数据集：所述图像为经过已确定类别的水生生物图像照片，将所述图像的长宽大小进行统一，以满足神经网络的输入；对长宽大小统一后的所述图像进行正则化处理，映射到正态分布函数之下，再转换为矩阵输入到ResNet101模型；步骤2：构建网络模型ResNet101，并进行预训练，获得初始网络模型ResNet101，对所述初始网络模型ResNet101进行迁移学习，然后对所述初始网络模型ResNet101网络参数进行微调，得到ResNet101特征提取网络；步骤3：将步骤1中的所述数据集分为训练集和测试集，将训练集中的数据输入步骤2中得到的所述ResNet101特征提取网络，得到水生生物图像特征；步骤4：使用CGEO算法优化RRVFL:4.1使用Logistic混沌映射生成GEO算法的初始种群，得到改进的GEO算法，将所述改进的GEO算法定义为CGEO算法；所述Logistic混沌映射的公式如下：yn+1＝μyn1-yn其中，yn+1代表第n+1个搜索代理的空间位置，yn代表第n个搜索代理的空间位置，μ是一个[3.57,4]之间的随机数；4.2在RVFL神经网络的输出权重计算中引入L2,1正则化，得到L2,1正则化的RVFL神经网络，将所述L2,1正则化的RVFL神经网络定义为RRVFL；4.3构建使用CGEO算法优化RRVFL的分类器模型CNN-CGEO-RRVFL，使用步骤3中得到的所述水生生物图像特征，计算得到CNN-CGEO-RRVFL模型的隐藏层权重和偏置，CNN-CGEO-RRVFL的输出权重β，进而得到优化后的CNN-CGEO-RRVFL模型；步骤5：获取待处理图像，使用优化后的CNN-CGEO-RRVFL模型进行处理，输出图像的水生生物类别电子标注。

全文数据：

权利要求：

百度查询： 浙江理工大学 一种基于残差卷积网络的水生生物类别电子标注方法

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