论文部分内容阅读
植物识别在林业养护管理、森林资源研究和自然环境监控等领域均有着重要的应用及价值。针对自然界中植物的单一器官识别不可靠和样本分布不平衡导致识别困难的问题,本文提出一种基于特征融合网络的植物识别方法,以Plant CLEF2016的植物图像为研究目标,对特征融合网络、损失函数设计以及基于显著性特征的网络特征增强进行了研究。本文的主要研究内容与结论有:(1)基于残差网的特征融合网络。使用Res Net50作为基础特征提取网络,并将该网络中具有相同尺寸输出特征的卷积层归为同一阶段,设计了多层特征融合模块和特征重标定模块。多层特征融合模块通过短连接操作将同一阶段的高层特征和低层特征进行融合,得到融合特征;特征重标定模块将每个阶段的融合特征作为监督信息对该阶段的低层特征进行重新校准,并将每个阶段校准后的特征分别进行全局平均池化和拼接操作,以获得植物图像的特征向量。实验结果表明了特征融合网络的优异性。(2)改进损失函数的特征融合网络。基于本文的植物识别任务设计了一种损失函数,代替特征融合网络中的交叉熵损失函数。改进损失函数利用加性间隔对余弦距离进行压缩,使不同类别间的分类间隔增大、类内特征聚拢,以缓解样本类间差异小的问题。此外,通过对损失函数中不同类别的权重进行调整,使网络对少样本类别训练的更加充分,缓解了样本不平衡的问题。在样本分布极不均衡的植物数据集Plant CLEF2016上验证了该方法的有效性。(3)基于显著性特征的网络特征增强。特征融合网络提取到植物图像特征后,使用显著性特征对其进行增强。首先通过特征融合网络提取植物图像特征,并利用基于K-means的显著特征提取算法对植物图像特征进行显著特征提取,得到图像的显著特征。然后采用自适应加权特征融合策略对植物图像特征和显著特征进行融合。最后对融合特征进行分类识别。综上所述,本文基于特征融合网络和特征融合网络的优化实现了在多器官以及样本分布不平衡条件下的植物识别,实验结果验证了该方法的有效性,说明本文的研究成果具有一定的实际意义,为植物学研究、自然环境保护等提供研究基础和依据。