(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210271550.1 (22)申请日 2022.03.18 (71)申请人 澜途集思 （深圳） 数字科技有限公司 地址 518000 广东省深圳市前海深港合作 区南山街道前海大道前海嘉里商务中 心T1写字楼6 02A (72)发明人 杨志峰　沈永明　张远　蔡宴朋　 (74)专利代理 机构 北京市京师律师事务所 11665 专利代理师 黄熊 (51)Int.Cl. G06V 40/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于DSSD算法的生态生物 识别方法 (57)摘要 本发明公开了基于DSSD算法的生态生物识 别方法， 包括如下步骤： 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； 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DSSD算法对处理后的生物图像数 据进行目标检测； 将检测后的生物图像数据进行 生态生物识别。 本发明DSSD将SSD的VGG网络用 Resnet‑101进行了替换， 在分类回归之前引入了 残差模块， 在SSD添加的辅助卷积层后又添加了 反卷积层形成 “宽‑窄‑宽”的“沙漏”结构， DSSD相 比SSD对小目标的检测速度上DSSD 有了很大的提 升， 能够通过生物 识别的速度。 权利要求书1页 说明书3页 附图1页 CN 114581938 A 2022.06.03 CN 114581938 A 1.基于DSSD算法的生态生物 识别方法， 其特 征在于， 包括如下步骤： 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； S2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； S3通过DSSD算法对处 理后的生物图像数据进行目标检测； S31选取生物图像， 让生物图像经 过ResNet ‑101提取特征， 并生成feature  map； S32抽取其中六层的feature  map， 然后再feature  map的每个点上生成default  box； S33将生成的所有default  box都集合起来， 全部丢到NMS中， 输出筛选后的default   box， 并输出； S4将检测后的生物图像数据进行生态生物 识别。 2.根据权利 要求1所述的基于DSSD算法的生态生物识别方法， 其特征在于， 所述步骤S3 还包括网络训练： 先预训练一个SSD模 型， 使用训练好的SSD模 型初始化DSSD模 型， 具体分为 两个步骤： 先冻结DSSD网络中SSD网络层的参数， 只用预训练好的SSD模型去微调DSSD层的 权重； 解冻第一阶段的所有层参数， 放 开微调。 3.根据权利 要求1所述的基于DSSD算法的生态生物识别方法， 其特征在于， 所述DSSD采 用反卷积层来进 行预测， 形成沙漏形的网络， 形成沙漏形的网络为 “宽‑窄‑宽”的不对称“沙 漏”结构。 4.根据权利要求3所述的基于DSSD算法的生态生物识别方法， 其特征在于， 所述沙漏形 网络中采用跳步连接方法。 5.根据权利 要求1所述的基于DSSD算法的生态生物识别方法， 其特征在于， 所述步骤S3 中还加入有Prediction模块和反卷积模块， 所述反卷积模块： 对于深层特征图， 首先经过 HXWX512的卷积核进行反卷积， 输出2HX2WX512的特征图， 浅层特征图经过卷积+BatchNorm 之后输出2HX2WX512的特征图， 将两个同尺寸特征图通过Element ‑wise product进行特征 融合， 然后再经过BatchNorm输出2HX2WX512的特征图， 完成了深层特征图和浅层特征图的 融合。 6.根据权利 要求1所述的基于DSSD算法的生态生物识别方法， 其特征在于， 所述步骤S3 中引入残差单 元， 优化候选框回归和分类任务输入的特 征图。 7.根据权利 要求2所述的基于DSSD算法的生态生物识别方法， 其特征在于， 所述DSSD模 型的训练需要先将default  boxes匹配到对应的groud  truth boxes， 将所有与groud   truth boxes具有最大Jaccard  overlap或与grou d truth的Jaccard  overlap大于0.5的 boxes视为正样本， 然后再基于confidence选取一定比例的负样本boxes， 计算所用的loss 同SSD一样即为反映位置信息的L1  loss及反映类别 信息的Softmax  loss之和。 8.根据权利要求1所述的基于DSSD算法的生态生物识别方法， 其特征在于， 所述 Resnet101后端添加入Residual模块加强原来模型的特 征表达。权　利　要　求　书 1/1 页 2 CN 114581938 A 2基于DSSD算法的生态生物识别方 法 技术领域 [0001]本发明涉及生物 识别技术领域， 尤其涉及基于D SSD算法的生态生物 识别方法。 背景技术 [0002]生物识别技术随着计算机技术的不断发展而得到了广泛应用， 其中， 生物识别技 术是指， 通过计算机与光学、 声学、 生物传感器以及生物统计学原理等手段相结合， 利用生 物固有的生理特性和行为特征来进行生物身份验证的技术。 现有的生物识别技术常用于生 态生物的识别， 但是流域内的生态生物物种多样， 且大部分物种较小， 不便于识别， 识别的 效果不好， 准确性 不高， 识别速度慢。 发明内容 [0003]基于背景技术存在的技术问题， 本发明提出了基于DSSD算法的生态生物识别方 法。 [0004]本发明提出的基于D SSD算法的生态生物 识别方法， 包括如下步骤： [0005]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； [0006]S2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； [0007]S3通过DSSD算法对处 理后的生物图像数据进行目标检测； [0008]S31选取生物图像， 让生物图像经 过ResNet ‑101提取特征， 并生成feature  map； [0009]S32抽取其中六层的feature  map， 然后再feature  map的每个点上生成default   box； [0010]S33将生成的所有default  box都集合起来， 全部丢到NMS中， 输出筛选后的 default box， 并输出； [0011]S4将检测后的生物图像数据进行生态生物 识别。 [0012]优选的， 所述步骤S3还包括网络训练： 先预训练一个SSD模型， 使用 训练好的SSD模 型初始化DSSD模型， 具体分为两个步骤： 先冻结DSSD网络中SSD网络层的参数， 只用预训练 好的SSD模型去微调D SSD层的权重； 解冻第一阶段的所有层参数， 放 开微调。 [0013]优选的， 所述DSSD采用反卷积层来进行预测， 形成沙漏形的网络， 形成沙漏形的网 络为“宽‑窄‑宽”的不对称“沙漏”结构。 [0014]优选的， 所述沙漏形网络中采用跳步连接方法。 [0015]优选的， 所述步骤S3中还加入有Prediction模块和反卷积模块， 所述反卷积模块： 对于深层特征图， 首先经过HXWX512的卷积核进行反卷积， 输出2HX2WX512的特征图， 浅层特 征图经过卷积+BatchNorm之后输出2HX2WX512的特征图， 将两个同尺寸特征图通过 Element‑wise product进行特征融合， 然后再经过BatchNorm输出2HX2WX512的特征图， 完 成了深层特 征图和浅层特 征图的融合。 [0016]优选的， 所述 步骤S3中引入残差单 元， 优化候选框回归和分类任务输入的特 征图。 [0017]优选的， 所述DSSD模型的训练需要 先将default  boxes匹配到对应的groud  truth 说　明　书 1/3 页 3 CN 114581938 A 3