一种基于动态层级语义路由的生物图像识别方法及系统

本发明涉及生物图像识别，尤其涉及一种基于动态层级语义路由的生物图像识别方法及系统。

背景技术：

1、随着计算机视觉与深度学习技术的快速发展，基于图像识别的自动化生物分类方法在农业、生态监测及生物多样性研究等领域得到广泛应用，生物识别任务通常具有类别数量庞大、形态差异细微以及数据获取成本高等特点，尤其在昆虫等高多样性类群中表现更为突出，传统生物分类主要依赖专家人工观察形态特征（如触角、翅、足部及腹部结构等）进行判定，该方式存在效率低、依赖经验强及难以规模化的问题。近年来，深度学习方法被引入生物图像识别任务中，通过卷积神经网络（cnn）或视觉transformer实现端到端分类。部分方案进一步引入了多层级分类架构，即在“目—科—属—种”等不同语义层级上分别设置独立的分类分支，以期利用生物分类体系中的层级结构信息。

2、然而，现有方法在多层级推理过程中，各层级分类分支之间缺乏有效的路径约束机制，导致不同层级的预测结果可能产生逻辑冲突。具体而言，各层级分类分支通常相互独立地进行预测，每个层级均基于该层级的全部类别集合进行全局softmax归一化以选出概率最大的类别。这意味着下一层级的预测并未被限定为上一层预测结果在分类树中的子类，各层级之间的预测实质上是解耦的。以昆虫图像识别为例，模型可能在科层级预测目标属于“步甲科”，但在随后的属层级却预测了一个在分类学上不属于步甲科的属，甚至预测出一个与步甲科不存在任何从属关系的属级类别。这种预测结果虽然在统计意义上可能各自具有较高的单层置信度，但在生物分类学层面却构成了明显的逻辑矛盾，即任一种在分类树上的完整路径应当是唯一且确定的，高层级类别（科）与低层级类别（属、种）之间存在严格的父子包含关系。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于动态层级语义路由的生物图像识别方法及系统，解决了现有技术在通过多层级分类架构预测生物类别时，各层级分类分支之间缺乏有效的路径约束机制，导致不同层级的预测结果可能产生逻辑冲突的技术问题。

2、为解决上述技术问题，本发明提供了如下技术方案：一种基于动态层级语义路由的生物图像识别方法，该方法包括以下步骤：

3、获取待识别的生物图像；

4、将待识别的生物图像输入预训练的至少包括目标检测网络和多层级分类网络的生物识别模型，以得到生物识别结果，具体包括以下步骤：

5、通过目标检测网络提取待识别的生物图像中目标生物个体的空间几何拓扑信息；

6、根据空间几何拓扑信息提取待识别的生物图像中的目标感兴趣区域；

7、将目标感兴趣区域输入多层级分类网络，所述多层级分类网络按照预构建的生物分类层级拓扑结构的层级顺序，从高层级向低层级逐级进行推理，在逐级推理过程中，引入用于根据数据分布特征与模型不确定性自适应调整分类深度的动态层级语义路由机制，并输出最终的生物识别结果。

8、作为优选，所述空间几何拓扑信息至少包括目标边界框集合及对应的定位置信度分数；所述根据空间几何拓扑信息提取待识别的生物图像中的目标感兴趣区域，具体包括：

9、对于目标边界框集合中的每个边界框，根据其对应的定位置信度分数确定扩张系数，所述扩张系数与所述定位置信度分数负相关；

10、根据所述扩张系数对所述边界框进行尺度扩展与位置更新，得到修正后的边界框；

11、基于所述修正后的边界框从待识别的生物图像中裁剪提取所述目标感兴趣区域。

12、作为优选，所述动态层级语义路由机制包括：

13、至少根据由样本规模、类别不平衡程度以及网络置信度构建的动态路由决策函数进行联合决策；

14、通过对比动态路由决策函数的计算结果与预设阈值以确定分类深度；所述类别不平衡程度根据所有类别中样本数量的最大值与当前类别样本数量的比值确定。

15、作为优选，所述多层级分类网络包含共享特征提取骨干网络和多个层级分类分支，所述共享特征提取骨干网络用于从所述目标感兴趣区域中提取所述深度特征表示，各所述层级分类分支分别用于实现各层级的条件概率建模；

16、所述多层级分类网络采用层级条件概率链式建模方式对多语义层级分类过程进行建模，将不同语义层级的预测转化为条件概率分解形式，实现由高层级到低层级的逐级推理；其联合概率分布表示为：

17、

18、其中，当时，初始条件概率定义为：

19、

20、上式中，表示第个语义层级的预测结果，所述语义层级由高到低至少包括目、科、亚科、属以及种。

21、作为优选，所述多层级分类网络从高层级向低层级逐级进行推理时，当前层级的预测结果用于约束下一层级的候选类别空间，具体包括：

22、根据当前层级的预测结果以及所述生物分类层级拓扑结构，确定下一层级的合法候选类别集合，所述合法候选类别集合为所述当前层级预测结果在所述生物分类层级拓扑结构中对应的全部子类节点；

23、在下一层级的分类计算中，对分类逻辑值进行掩码约束处理得到修正后的分类逻辑值，将不属于合法候选类别集合的类别对应的分类逻辑值赋值为负无穷，将属于合法候选类别集合的类别对应的分类逻辑值按照预设规则映射；

24、对修正后的分类逻辑值进行softmax归一化，得到下一层级的概率分布并计算最终预测结果及置信度。

25、作为优选，当所述逐级推理过程中任一层级的预测置信度低于预设阈值时，触发弹性回退机制，终止向更低层级的推理，并按照所述生物分类层级拓扑结构的层级顺序逐级向上回退，直至回退到的目标层级的预测置信度满足预设条件或回退至最高层级；将满足预设条件的目标层级的预测结果作为最终的生物识别结果输出。

26、作为优选，所述生物识别模型采用联合损失函数进行端到端训练，所述联合损失函数至少为目标检测损失、层级一致性损失、分类损失和细粒度损失的加权和；

27、所述目标检测损失用于优化目标定位与分类精度，由边界框回归损失、目标置信度损失及检测阶段分类损失构成；

28、所述层级一致性损失用于约束不同语义层级之间的预测一致性，使高层级预测结果能够指导低层级学习；

29、所述分类损失用于约束各层级分类预测的准确性；

30、所述细粒度损失用于强化最底层级的分类能力；

31、所述细粒度损失的加权权重根据类别样本数量确定，加权权重与类别样本数量成反相关。

32、本发明还提供了一种生物图像识别系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现所述的生物图像识别方法。

33、借由上述技术方案，本发明提供了一种基于动态层级语义路由的生物图像识别方法及系统，至少具备以下有益效果：

34、1、本发明通过目标检测网络提取目标生物个体的空间几何拓扑信息并根据该信息提取感兴趣区域，以消除复杂自然场景中的背景干扰，同时通过按照生物分类层级拓扑结构从高层级向低层级逐级推理，并在推理过程中引入动态层级语义路由机制，使得模型能够在不同样本条件下自动选择恰当的识别粒度，避免了传统方法中各层级预测相互独立导致层级逻辑冲突的问题，确保了识别结果在生物分类树上的结构自洽性和可信度。

35、2、本发明通过根据上一层预测结果动态生成下一层合法候选类别集合并对分类逻辑值进行掩码约束，从根本上杜绝了跨层级语义冲突的发生；同时通过设计弹性回退机制，有效抑制了细粒度分类错误累积传播的问题，此外通过构建包含目标检测损失、层级一致性损失、分类损失及细粒度损失的多任务联合损失函数并引入与类别样本数量成反相关的自适应权重，显著改善了长尾分布下少样本类别的识别性能，增强了模型在实际长尾数据场景下的泛化能力与工程部署价值。

36、3、本发明通过多层级条件概率链式建模将目、科、亚科、属、种等层级结构转化为层级间的条件依赖关系，并结合基于样本规模、类别不平衡程度及网络置信度的动态路由决策函数，实现了分类深度在不同样本条件下的自适应调节，进一步提升了模型在数据稀缺或类别极度不均衡情况下的识别稳定性。