嘉行传媒,西安百度关键词优化,在线外链推广,win10优化大师文章目录 0 前言1 背景2 算法原理2.1 动物识别方法概况2.2 常用的网络模型2.2.1 B-CNN2.2.2 SSD 3 SSD动物目标检测流程4 实现效果5 部分相关代码5.1 数据预处理5.2 构建卷积神经网络5.3 tensorflow计算图可视化5.4 网络模型训练5.5 对猫狗图像进行2分类 6 最后 0 前言
#… 文章目录 0 前言1 背景2 算法原理2.1 动物识别方法概况2.2 常用的网络模型2.2.1 B-CNN2.2.2 SSD 3 SSD动物目标检测流程4 实现效果5 部分相关代码5.1 数据预处理5.2 构建卷积神经网络5.3 tensorflow计算图可视化5.4 网络模型训练5.5 对猫狗图像进行2分类 6 最后 0 前言 优质竞赛项目系列今天要分享的是 深度学习动物识别 - 卷积神经网络 机器视觉 图像识别
该项目较为新颖适合作为竞赛课题方向学长非常推荐
学长这里给一个题目综合评分(每项满分5分)
难度系数3分工作量3分创新点4分 更多资料, 项目分享
https://gitee.com/dancheng-senior/postgraduate
1 背景
目前由于计算机能力和相关理论的发展获得了重大突破基于深度学习的图像检测与识别技术已经广泛应用到人们的生产生活中。学长将深度学习的技术应用到野生动物图像识别中优化了传统的识别方法形成对野生动物图像更为准确的识别为实现高效的野生动物图像识别提供了可能。不同于传统的野生动物识别基于深度学习的野生动物识别技术可以捕获到野生动物更加细致的信息有利于对野生动物进行更加准确的识别和研究。因此对基于深度学习的野生动物识别和研究可以更好的帮助社会管理者和政府全面有效的对野生动物进行保护和监管这也正是保护和识别野生动物的关键同时这对整个自然和社会的和谐发展具有极大的推动作用。
2 算法原理
2.1 动物识别方法概况
基于人工特征的野生动物识别方法主要通过人工对野生动物图像中具有辨识度的特征信息进行提取并通过特征比对的方式就可以对野生动物所属的类别进行识别判断。
在深度学习技术普及之前传统的数字图像处理技术与传统机器学习技术一直是研究的热点。传统的数字图像处理技术有模块分割、降低噪声点、边缘检测等方法。传统的机器学习技术有支持向量机、随机森林算法、BP 神经网络算法等。
深度学习技术是通过计算机模拟人类大脑的分层表达结构来建立网络模型从原始数据集中对相关信息逐层提取。之后通过建立相应的神经网络对数据进行学习和分析从而提高对目标预测和识别的准确率。如今深度学习技术已经相对成熟在对目标进行特征提取方面卷积神经网络技术逐渐取代了传统的图像处理技术并且在人类的生产生活中得到了广泛应用这为研究野生动物更高效的识别方法奠定了基础。
2.2 常用的网络模型
图像识别是指对原始图像进行整体分析来达到预测原始图像所属类别的技术。计算机视觉领域中对图像识别技术进行了优化与此同时深度学习技术也对图像识别领域展开了突破。目前在图像识别领域中研究人员开始使用深度学习的技术并通过在实际应用中发现基于深度学习的识别技术比传统的识别技术效果更好且更具有优势。
2.2.1 B-CNN
双线性卷积神经网络(Bilinear CNNB-CNN)[34]是用两个卷积神经网络对图像进行特征提取然后使用相应的函数将得到所有特征进行组合组合的数据带入到分类器中进行分类。 2.2.2 SSD
经典的 SSD 模型是由经典网络和特征提取网络组成。
通过引入性能更好的特征提取网络对 SSD 目标检测模型进行了优化。Fu[49]等人提出了增加卷积神经网络层数和深度的方法用于提高识别准确率。通过实际应用之后发现该方法识别准确率确实得到了一定程度的提高但是模型结构却越来越复杂同时对深层次的网络训练也越来越困难。 3 SSD动物目标检测流程 学长首先对 DenseNet-169 网络进行初始化使用 DenseNet-169 网络作为目标检测的前置网络结构并运用迁移学习的方法对 DenseNet-169 进行预训练并将Snapshot Serengeti数据集下的权重值迁移到野生动物检测任务中使数据集的训练速度得到提升。将 DenseNet-169 作为前置网络置于 SSD 中的目标提取检测网络之前更换完前置网络的 SSD 目标检测网络依然完整。
4 实现效果 做一个GUI交互界面 5 部分相关代码
5.1 数据预处理
import cv2 as cv
import os
import numpy as npimport random
import pickleimport timestart_time time.time()data_dir ./data
batch_save_path ./batch_files# 创建batch文件存储的文件夹
os.makedirs(batch_save_path, exist_okTrue)# 图片统一大小100 * 100
# 训练集 20000100个batch文件每个文件200张图片
# 验证集 5000一个测试文件测试时 50张 x 100 批次# 进入图片数据的目录读取图片信息
all_data_files os.listdir(os.path.join(data_dir, train/))# print(all_data_files)# 打算数据的顺序
random.shuffle(all_data_files)all_train_files all_data_files[:20000]
all_test_files all_data_files[20000:]train_data []
train_label []
train_filenames []test_data []
test_label []
test_filenames []# 训练集
for each in all_train_files:img cv.imread(os.path.join(data_dir,train/,each),1)resized_img cv.resize(img, (100,100))img_data np.array(resized_img)train_data.append(img_data)if cat in each:train_label.append(0)elif dog in each:train_label.append(1)else:raise Exception(%s is wrong train file%(each))train_filenames.append(each)# 测试集
for each in all_test_files:img cv.imread(os.path.join(data_dir,train/,each), 1)resized_img cv.resize(img, (100,100))img_data np.array(resized_img)test_data.append(img_data)if cat in each:test_label.append(0)elif dog in each:test_label.append(1)else:raise Exception(%s is wrong test file%(each))test_filenames.append(each)print(len(train_data), len(test_data))# 制作100个batch文件
start 0
end 200
for num in range(1, 101):batch_data train_data[start: end]batch_label train_label[start: end]batch_filenames train_filenames[start: end]batch_name training batch {} of 15.format(num)all_data {data:batch_data,label:batch_label,filenames:batch_filenames,name:batch_name}with open(os.path.join(batch_save_path, train_batch_{}.format(num)), wb) as f:pickle.dump(all_data, f)start 200end 200# 制作测试文件
all_test_data {data:test_data,label:test_label,filenames:test_filenames,name:test batch 1 of 1}with open(os.path.join(batch_save_path, test_batch), wb) as f:pickle.dump(all_test_data, f)end_time time.time()
print(制作结束, 用时{}秒.format(end_time - start_time))5.2 构建卷积神经网络
cnn卷积神经网络的编写如下编写卷积层、池化层和全连接层的代码
conv1_1 tf.layers.conv2d(x, 16, (3, 3), paddingsame, activationtf.nn.relu, nameconv1_1)
conv1_2 tf.layers.conv2d(conv1_1, 16, (3, 3), paddingsame, activationtf.nn.relu, nameconv1_2)
pool1 tf.layers.max_pooling2d(conv1_2, (2, 2), (2, 2), namepool1)
conv2_1 tf.layers.conv2d(pool1, 32, (3, 3), paddingsame, activationtf.nn.relu, nameconv2_1)
conv2_2 tf.layers.conv2d(conv2_1, 32, (3, 3), paddingsame, activationtf.nn.relu, nameconv2_2)
pool2 tf.layers.max_pooling2d(conv2_2, (2, 2), (2, 2), namepool2)
conv3_1 tf.layers.conv2d(pool2, 64, (3, 3), paddingsame, activationtf.nn.relu, nameconv3_1)
conv3_2 tf.layers.conv2d(conv3_1, 64, (3, 3), paddingsame, activationtf.nn.relu, nameconv3_2)
pool3 tf.layers.max_pooling2d(conv3_2, (2, 2), (2, 2), namepool3)
conv4_1 tf.layers.conv2d(pool3, 128, (3, 3), paddingsame, activationtf.nn.relu, nameconv4_1)
conv4_2 tf.layers.conv2d(conv4_1, 128, (3, 3), paddingsame, activationtf.nn.relu, nameconv4_2)
pool4 tf.layers.max_pooling2d(conv4_2, (2, 2), (2, 2), namepool4)flatten tf.layers.flatten(pool4)
fc1 tf.layers.dense(flatten, 512, tf.nn.relu)
fc1_dropout tf.nn.dropout(fc1, keep_probkeep_prob)
fc2 tf.layers.dense(fc1, 256, tf.nn.relu)
fc2_dropout tf.nn.dropout(fc2, keep_probkeep_prob)
fc3 tf.layers.dense(fc2, 2, None)5.3 tensorflow计算图可视化
self.x tf.placeholder(tf.float32, [None, IMAGE_SIZE, IMAGE_SIZE, 3], input_data)
self.y tf.placeholder(tf.int64, [None], output_data)
self.keep_prob tf.placeholder(tf.float32)# 图片输入网络中
fc self.conv_net(self.x, self.keep_prob)
self.loss tf.losses.sparse_softmax_cross_entropy(labelsself.y, logitsfc)
self.y_ tf.nn.softmax(fc) # 计算每一类的概率
self.predict tf.argmax(fc, 1)
self.acc tf.reduce_mean(tf.cast(tf.equal(self.predict, self.y), tf.float32))
self.train_op tf.train.AdamOptimizer(LEARNING_RATE).minimize(self.loss)
self.saver tf.train.Saver(max_to_keep1)最后的saver是要将训练好的模型保存到本地。
5.4 网络模型训练
然后编写训练部分的代码训练步骤为1万步
acc_list []
with tf.Session() as sess:sess.run(tf.global_variables_initializer())for i in range(TRAIN_STEP):train_data, train_label, _ self.batch_train_data.next_batch(TRAIN_SIZE)eval_ops [self.loss, self.acc, self.train_op]eval_ops_results sess.run(eval_ops, feed_dict{self.x:train_data,self.y:train_label,self.keep_prob:0.7})loss_val, train_acc eval_ops_results[0:2]acc_list.append(train_acc)if (i1) % 100 0:acc_mean np.mean(acc_list)print(step:{0},loss:{1:.5},acc:{2:.5},acc_mean:{3:.5}.format(i1,loss_val,train_acc,acc_mean))if (i1) % 1000 0:test_acc_list []for j in range(TEST_STEP):test_data, test_label, _ self.batch_test_data.next_batch(TRAIN_SIZE)acc_val sess.run([self.acc],feed_dict{self.x:test_data,self.y:test_label,self.keep_prob:1.0})test_acc_list.append(acc_val)print([Test ] step:{0}, mean_acc:{1:.5}.format(i1, np.mean(test_acc_list)))# 保存训练后的模型os.makedirs(SAVE_PATH, exist_okTrue)self.saver.save(sess, SAVE_PATH my_model.ckpt)训练结果如下 5.5 对猫狗图像进行2分类 6 最后 更多资料, 项目分享
https://gitee.com/dancheng-senior/postgraduate
