基于多阶层的海洋生物分类方法

本发明涉及海洋生物分类领域，具体涉及一种基于多阶层的海洋生物分类方法。

背景技术：

1、随着海洋开发的不断推进，海洋生物分类任务的意义日益明显。人工区分鱼类需要大量的检查工作，工作繁琐且乏味，还需要具有过硬专业知识的海洋生物学家。由于海洋环境开阔、背景复杂、亮度低等原因，在海洋进行观测是一项困难的工作。使用专家资源的成本很高，且由于任务量大，容易导致对象识别错误。利用技术自动化海洋生物分类和识别将有助于海洋生物科学进一步发展，自动化系统能有效帮助海洋生物学家对各种海洋生物进行分类。

2、目前，很少有能够实时监测海洋生物，将海中捕获的图像进行分类的应用。这一类系统能够用于海洋监测活动，如评价种群数量、分类当地常见海洋生物种类和各种鱼类洄游。如果能准确识别海洋生物种类对研究人员、海洋科学家和生物学家非常有帮助，并且可以辅助确定海洋中的生物量水平和地质变化。

3、由于海洋中拍摄的视频质量较差，亮度较低，背景复杂，导致在海洋生物栖息地中的分类任务是一项挑战。现阶段海洋生物数量由于环境因素以及人为因素影响造成了很大变化，典型的因素例如全球变暖、海平面上升、海洋污染、过度捕捞海洋生物以及过度开采海洋自然资源等原因。

4、这些因素进一步推动了建立一个标准的、经济有效的、值得信赖的方法来监测整个海洋栖息地的海洋生物。随着深度学习的发展，图像分类早已成为火热的研究领域，卷积神经网络并不需要显式的特征提取方法。不少优秀的卷积神经网络在分类任务中表现十分出色，例如efficientnetv2。

5、在海洋生物分类任务中的大多数技术都与一般分类保持一致，都是通过一次分类完成任务。但是海洋生物种类繁多，且识别难度大，因此，一次分类难以解决对海洋生物的精确分类。

技术实现思路

1、本发明针对现有算法忽略了物种阶层规则问题，引入生物学先验知识提出了一种基于多阶层的海洋生物分类方法,通过为网络模型增加生物先验知识的多阶层次类别体系，学习阶层规则，以实现对分类精度的提升。本发明为了使一般分类任务的神经网络更能贴合多阶层分类任务，并且提高识别的精确度，对网络进行了优化，设计了一个新的用于多阶层分类任务的模块，称为c-mbconv块，以及一个新的用于网络二阶分类的网络组件，精细分类模块。结合所提出的模块与组件，生成了用于本多阶层分类任务的网络架构c-efficientnetv2。

2、多阶层分类任务与传统的分类任务有很大的不同，在传统分类任务中，只需要进行一次分类即可完成任务，但是多阶层分类需要进行多次分类。这就导致多阶层分类存在很大的风险，如果第一次分类出现错误，会导致后续分类基于前一次的错误结果继续分类，显然会导致了整个预测结果的错误。也可以说，多阶层分类在进行分类时会具有一定风险，且该风险会传递至下次分类。为了尽可能的降低错误的分类给后续决策任务带来的风险问题，设计了一种将风险最小化的模式。

3、本发明是采用以下的技术方案实现的：

4、基于多阶层的海洋生物分类方法，执行如下方法步骤获取用于基于图像进行海洋生物类别判别的模型，所述方法包括以下步骤：

5、1)采集潮间带海洋生物图像数据，按照类别划分阶层标签，得到带有标签的样本数据集{图像数据，阶层标签}；所述阶层标签为一阶类别、二阶类别；

6、2)建立多阶层主干c-efficientnetv2特征网络，用于对样本数据集进行特征提取，输出表征类别之间相关性的阶层信息特征图；

7、3)利用多阶层分类网络对阶层信息特征依次分类，得到所述样本海洋图像的精确分类结果；所述多阶层分类网络包括一阶初级类别判别单元、最小风险化策略单元，二阶精细类别判别单元；

8、4)利用样本数据集反复迭代，训练多阶层主干c-efficientnetv2特征网络、多阶层分类网络，得到训练优化后的生物类别判别模型。

9、所述按照类别划分阶层标签为，利用生物先验知识划分不同阶层，使用聚类指标确保每个一阶类别的样本平衡性、以及类别平衡。

10、所述多阶层主干c-efficientnetv2特征网络包括依次连接的卷积层、若干c-mbconv模块组、全连接层；所述c-mbconv模块组为不等数量的c-mbconv模块构成，用于逐级提取类别之间相关性。

11、所述c-mbconv模块结构包括依次连接的1x1卷积层、注意力层、深度可分离卷积层、3x3卷积层、1x1卷积层，提取类别之间相关性的通道特征以及空间特征。

12、所述一阶初级类别判别单元用于利用多阶层网络提取的精细尺度特征，进行一阶类别分类，生成物种一阶类别。

13、所述最小风险化策略单元，利用贝叶斯方法对主干网络的输出重新建模，对预测结果的置信度进行估计，计算风险最小化决策参数：

14、

15、其中，为网络对所有一阶类别可能的决策，为对所有可能决策的贝叶斯后验概率，以及为对应的损失值。

16、所述二阶精细类别判别单元为精细类别分类模块和二级分类器，精细类别分类模块结合主干网络中的特征图，并利用优化决策生成的一阶类别为辅助，生成用于进行二阶分类的精细特征图；二级分类器根据二阶标签类别对当前图像中提取的生物精细尺度特征进行二阶分类。

17、所述精细类别分类模块包括：

18、设数据集合为其中x为海洋生物图像，y代表类别标签，上标为第几阶类别，为第i张图像的一阶类别。n1和n2分别代表一阶、二阶类别数量；fi为图像xi由骨干网络c-efficientnetv2所提取的图像特征；

19、定义参数ei为第i张图像预测二阶类别时的权重；当第i张图像预测一阶类别为k时，其定义如下：

20、

21、其中，wcls1为一阶类别分类器权重，图像特征fi进一步推理贝叶斯后验概率，获取对一阶类别的置信度估计，得到风险最小化决策

22、利用将图像特征fi与结合得到进入精细分类模块的权重fi：

23、

24、其中，fij上标为对应属于一阶类别的权重，α为最小化风险权重；

25、精细分类模块将再处理已获得一阶分类知识的特征fi，继续结合粗细粒度特征，经c-mbconv处理后得到fi′，利用ei与fi′得到最终输出di：

26、

27、所述di送入二阶类别分类器生成二阶类别，完成多阶层分类任务。

28、所述训练优化后的生物类别判别模型用于对待识别的海洋生物图像进行处理，自动输出当前图像中生物的各阶层类别。

29、与现有技术相比，本发明的优点和积极效果在于：

30、本方案设计了多阶层分类方法，旨在为网络模型增加生物先验知识的多阶层次类别体系，从而模仿人类识别物种的过程，使得分类结果更加精确。此外，所涉及的c-mbconv模块与精细分类能够帮助网络提取出图像阶层信息，使网络更适配于多阶层任务。本方案提出的多阶层海洋生物分类方法，可以有效提高海洋生物的分类性能，同时在具有多阶层的数据集中也表现出较好的应用效果。