结合长尾数据解决方法的野生动物目标检测

基于红外相机图像的野生动物目标检测有利于研究和保护野生动物。由于不同种类的野生动物数量差别大,红外相机采集到的野生动物数据集存在种类数量分布不均的长尾数据问题,进而影响目标检测神经网络模型的整体性能提升。针对野生动物的长尾数据导致的目标检测精度低的问题,提出了一种基于两阶段学习和重加权相结合的长尾数据解决方法,并将该方法用于基于YOLOv4-Tiny的野生动物目标检测。首先,采集、标注并构建了一个新的野生动物数据集,该数据集具有明显的长尾数据特征;其次,采用基于迁移学习的两阶段方法训练神经网络,第一阶段在分类损失函数中采用无加权方式进行训练,而在第二阶段提出了两种改进的重加权方法,并以第一阶段所得权重作为预训练权重进行重加权训练;最后,对野生动物测试集进行测试。实验结果表明,在分类损失采用交叉熵损失函数和焦点损失函数下,所提出的长尾数据解决方法达到了60.47%和61.18%的平均精确率均值（mAP）,相较于无加权方法在两种损失函数下分别提高了3.30个百分点和5.16个百分点,相较于所提改进的有效样本加权方法在焦点损失函数下提高了2.14个百分点,说明该方法能提升YOLOv4-Tiny网络对具有长尾数据特征的野生动物数据集的目标检测性能。     

典型传统服饰图像的在线识别系统

为探索传统服饰文化的智能化保护手段和提高传统服饰文化的传播效率，以加权投票法集成多注意力机制的传统服饰识别算法为核心，构建了一个典型传统服饰图像的在线识别系统。首先，通过书籍扫描和线下拍摄等手段收集传统服饰图像数据，再联合多背景替换和几何变换混合增强服饰图像数据，完成传统服饰图像数据集的构建。随后，采用迁移学习技术在DenseNet169网络上分别引入了通道注意力、卷积注意力和位置注意力3种机制来构建模型，并对3种模型的识别结果进行加权投票判决，实现对传统服饰图像的高精度识别。在此基础上，通过对未知待测图像进行在线裁剪和自适应等规范化预处理，提高了识别系统的泛化适应性。最后，采用Web和云计算技术实现了系统的在线识别、交互、显示和账号管理等功能集成。测试结果表明，本文实现的传统服饰识别算法在验证集上的识别准确率达到了93.5%,构建的系统能够有效地在线识别15类传统服饰图像，对传统服饰文化的传播和保护具有一定的促进作用。