[发明专利]一种基于深度卷积网络的水鸟图像识别特征融合模型系统及方法

权利要求书

1.一种基于深度卷积网络的水鸟图像识别特征融合模型系统，其特征在于，包括鸟类外形特征提取模块、初级卷积层模块、卷积组合层模块、底层网络特征提取模块、特征向量连接处理层、全连接特征层与分类层模块，所述鸟类外形特征提取模块与初级卷积层模块连接，所述初级卷积层模块与卷积组合层模块连接，所述底层网络特征提取模块与卷积组合层模块连接，所述底层网络特征提取模块与特征向量连接处理层连接，所述全连接特征层与特征向量连接处理层连接，所述分类层模块与全连接特征层连接。

2.根据权利要求1所述的一种基于深度卷积网络的水鸟图像识别特征融合模型系统，其特征在于，所述鸟类外形特征提取模块用于获取鸟类外形特征图，所述鸟类外形特征提取模块中设有MMdetection模型，所述MMdetection模型利用MMdetection网络在公共数据集COCO的鸟类数据集上进行模型训练。

3.根据权利要求1所述的一种基于深度卷积网络的水鸟图像识别特征融合模型系统，其特征在于，所述卷积层组合模块由4个卷积层组合构成，4个所述卷积层分别为Block1组块、Block2组块、Block3组块与Block4组块。

4.根据权利要求3所述的一种基于深度卷积网络的水鸟图像识别特征融合模型系统，其特征在于，所述Block1组块由大小为3*3*64的4个卷积层构成，所述Block2组块由大小为3*3*128的4个卷积层构成，所述Block3组块由大小为3*3*256的4个卷积层构成，所述Block4组块由大小为3*3*512的4个卷积层构成。

5.根据权利要求4所述的一种基于深度卷积网络的水鸟图像识别特征融合模型系统，其特征在于，所述底层网络特征提取模块与Block1组块连接。

6.根据权利要求4所述的一种基于深度卷积网络的水鸟图像识别特征融合模型系统，其特征在于，所述特征向量连接处理层与Block4组块之间连接设有平均池化层。

7.一种基于深度卷积网络的水鸟图像识别特征融合模型的方法，其特征在于，包括如下步骤；

步骤一，将水鸟图像输入鸟类外形特征提取模块，进行图像预测处理；

步骤二，训练数据输入模型，水鸟图像一方面经初级卷积层模块处理得到56*56*64的特征图一，水鸟图像同时被MMdetection模型处理获得水鸟外形掩模M_i，并对M_i进行映射处理，得到水鸟外形掩模的特征权重A_i，将所述特征图一与A_i做点积处理后，将目标区域特征值被放大到1.2倍的特征图一转入到卷积块Block1组块；

步骤三，获取block1组块的输出大小为56*56*64的特征图二，一方面使用底层网络特征提取模块提取大小为1*64的底层网络特征图三，另一方面相继传入block2组块和block3组块中继续完成卷积运算，并最终得到block4组块输出大小为7*7*512的特征图四；

步骤四，由Block4组块卷积层输出的特征图四经平均池化层池化处理后，输出大小为1*576的水鸟特征向量；

步骤五，将底层网络特征提取模块的输出特征图三与水鸟特征向量一并输入至特征向量连接处理层，然后进入全连接特征层进行处理；

步骤六，全连接特征层输出分类置信度结果。

8.根据权利要求7所述的一种基于深度卷积网络的水鸟图像识别特征融合模型的方法，其特征在于，所述水鸟图像为大小为224*224*3的RGB3通道彩色图像。

9.根据权利要求7所述的一种基于深度卷积网络的水鸟图像识别特征融合模型的方法，其特征在于，所述M_i为尺度大小为56*56的黑白二值图像。

10.根据权利要求7所述的一种基于深度卷积网络的水鸟图像识别特征融合模型的方法，其特征在于，所述特征权重A_i取值为：1A_i2。