基于OHEM算法的生态生物识别方法与流程

基于ohem算法的生态生物识别方法
技术领域
1.本发明涉及生物识别技术领域，尤其涉及基于ohem算法的生态生物识别方法。


背景技术：

2.水生生物群落与水环境有着错综复杂的相互关系，对水质变化起着重要作用。不同种类的水生生物对水体污染的适应能力不同，有的种类只适于在清洁水中生活，被称为清水生物(或寡污生物)。而有些水生生物则可以生活在污水中，被称为污水生物。水生生物的存亡标志着水质变化程度，因此生物成为水体污化的指标，通过水生生物的调查，可以评价水体被污染的状况，有许多水生生物对水中毒物很敏感，也可以通过水生生物毒性实验结果来判断水质污染程度。因此，需要对生态生物进行识别，现有的生物识别技术对于数据的类别不平衡识别效果较差。


技术实现要素：

3.基于背景技术存在的技术问题，本发明提出了基于ohem算法的生态生物识别方法。
4.本发明提出的基于ohem算法的生态生物识别方法，包括如下步骤：
5.s1发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；
6.s2采用图像归一法和图像增强法对采集的生物图像数据进行处理，得到处理后的生物图像数据；
7.s3通过ohem算法对预处理后的生物图像数据进行目标检测；
8.s31将fast rcnn分成两个components：convnet和roinet；
9.s32对于每张输入图像，经前向传播，用convnet获得feature maps；
10.s33将事先计算好的proposals，经roi pooling层投影到feature maps上，获取固定的特征输出作为全连接层的输入；
11.s4将检测后的生物图像数据进行生态生物识别。
12.优选的，所述步骤s31中convnet为共享的底层卷积层，roinet为roi pooling后的层，包括全连接层。
13.优选的，所述步骤s31的roinet有两个：roinet1和roinet2，且roinet1和roinet2共享权重。
14.优选的，所述roinet1进行forward，roinet2进行forward和backward，其具体步骤为：
15.a将原图的所有props扔到roinet1，计算它们的loss；
16.b根据loss从高到低排序，以及利用nms，来选出前k个props；
17.c将选出的k个props扔到roinet2；
18.d这时的roinet2和fast rcnn的roinet一样，计算k个props的loss，并回传梯度/残差给convnet，来更新整个网络。
19.优选的，所述步骤s31在fast-rcnn里的loss layer里面对所有的props计算其loss，根据loss对其进行排序，选出k个hard examples。
20.优选的，所述步骤s3还进行反向传播，反向传播时只对这k个props的梯度/残差回传，而其他的props的梯度/残差设为0。
21.优选的，所述fast-rcnn框架，在每次minibatch训练时加入在线筛选hard region。
22.优选的，所述步骤s1之前还收集生物特征数据，并将收集的生物特征数据制成生物特征目标，步骤s4将生物特征数据包与特征模板进行匹配，得到生物识别结果。
23.本发明中，所述基于ohem算法的生态生物识别方法，通过设置ohem算法，对于数据的类别不平衡问题不需要采用设置正负样本比例的方式来解决，这种在线选择方式针对性更强，随着数据集的增大，算法的提升更加明显，有效的提高了生物识别效果。
附图说明
24.图1为本发明提出的基于ohem算法的生态生物识别方法的流程图；
25.图2为本发明提出的基于ohem算法的生态生物识别方法的ohem算法目标检测流程图。
具体实施方式
26.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
27.参照图1-2，基于ohem算法的生态生物识别方法，包括如下步骤：
28.s1发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；
29.s2采用图像归一法和图像增强法对采集的生物图像数据进行处理，得到处理后的生物图像数据；
30.s3通过ohem算法对预处理后的生物图像数据进行目标检测；
31.s31将fast rcnn分成两个components：convnet和roinet；
32.s32对于每张输入图像，经前向传播，用convnet获得feature maps；
33.s33将事先计算好的proposals，经roi pooling层投影到feature maps上，获取固定的特征输出作为全连接层的输入；
34.s4将检测后的生物图像数据进行生态生物识别。
35.本发明中，步骤s31中convnet为共享的底层卷积层，roinet为roi pooling后的层，包括全连接层。
36.本发明中，步骤s31的roinet有两个：roinet1和roinet2，且roinet1和roinet2共享权重。
37.本发明中，roinet1进行forward，roinet2进行forward和backward，其具体步骤为：
38.a将原图的所有props扔到roinet1，计算它们的loss；
39.b根据loss从高到低排序，以及利用nms，来选出前k个props；
40.c将选出的k个props扔到roinet2；
41.d这时的roinet2和fast rcnn的roinet一样，计算k个props的loss，并回传梯度/残差给convnet，来更新整个网络。
42.本发明中，步骤s31在fast-rcnn里的loss layer里面对所有的props计算其loss，根据loss对其进行排序，选出k个hard examples。
43.本发明中，步骤s3还进行反向传播，反向传播时只对这k个props的梯度/残差回传，而其他的props的梯度/残差设为0。
44.本发明中，fast-rcnn框架，在每次minibatch训练时加入在线筛选hard region。
45.本发明中，步骤s1之前还收集生物特征数据，并将收集的生物特征数据制成生物特征目标，步骤s4将生物特征数据包与特征模板进行匹配，得到生物识别结果。
46.本发明：发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；采用图像归一法和图像增强法对采集的生物图像数据进行处理，得到处理后的生物图像数据；通过ohem算法对预处理后的生物图像数据进行目标检测；将fast rcnn分成两个components：convnet和roinet；对于每张输入图像，经前向传播，用convnet获得feature maps；将事先计算好的proposals，经roi pooling层投影到feature maps上，获取固定的特征输出作为全连接层的输入；将检测后的生物图像数据进行生态生物识别。
47.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。