小样本条件下基于数据扩充和ResNeSt的雪豹识别

PantheraunicarecognitionbasedondataexpansionandResNeStwithfewsamples

张毓高雅月常峰源谢将剑张军国

?

研究背景

?

雪豹（Pantheraunica）位于高山生态系统食物链顶端，是国家一级保护野生动物，属于濒临灭绝风险的物种，具有重要的保护和科研价值。利用红外触发相机技术对雪豹进行图像监测是当前最有效的手段之一，通过该技术获取雪豹监测图像可以实现雪豹种群的动态监测。但由于雪豹数量稀少，其监测图像也相对较少。新疆雪豹研究小组布设的36台红外相机经过个照相日只采集到32张清晰的雪豹图像，平均拍摄率或捕获率只有1.53%。因此有必要从大量的监测图像中识别筛选出雪豹图像，以便进行下一步的研究。然而传统的人工识别方法工作量大、效率低，借助计算机自动识别雪豹图像可以克服上述问题。

?

研究思路

?

雪豹监测图像的识别本质属于图像自动分类。基于深度学习的图像自动分类方法属于机器学习的一个分支，通常采用卷积神经网络（ConvolutionalNeuralNetwork,CNN）来实现，利用卷积神经网络结合注意力机制可以得到更好的识别效果。但雪豹相对其他野生动物数量较少、警觉性高，导致雪豹的监测图像数量有限，从而导致样本的多样性变低。同时雪豹主要在高海拔地区（~m）生活，其活动范围长年积雪、地形复杂（崎岖度大于°），导致其监测图像中雪豹与背景相似度高，而且雪豹被抓拍时距相机距离忽远忽近，使得雪豹的特征学习较为困难，模型训练易过拟合，进而导致识别网络的准确率和泛化能力低等问题。因此，本文首先需解决的是小样本条件下，由于监测图像中雪豹特征不充足导致的模型训练效果差的问题。ResNeSt具有分割注意力机制（Split-Attention），可以用于

转载请注明:http://www.aideyishus.com/lkyy/12.html