摘要: 摘 要: 基于红外相机图像的野生动物目标检测有利于研究和保护野生动物。由于不同种类的野生动物数量差别大,红外相机采集到的野生动物数据集存在种类数量分布不均的长尾数据问题,该问题影响目标检测神经网络模型的整体性能提升。针对野生动物的长尾数据导致的目标检测精度低的问题,提出了一种基于两阶段学习和重加权相结合的长尾数据解决方法,并将该方法用于基于YOLOv4-Tiny的野生动物目标检测。首先,采集、整理构建了一个新的野生动物数据集,该数据集具有明显的长尾数据特征。其次,采用基于迁移学习的两阶段方法训练神经网络,第一阶段在分类损失函数中采用无加权方式进行训练,在第二阶段训练中提出了两种改进的重加权方法,并以第一阶段所得权重作为预训练权重进行重加权训练。最后,对野生动物测试集进行测试。实验表明,提出的长尾数据解决方法能达到61.18%的mAP,相比无加权方法提高了5.1个百分点,说明该方法能提升YOLOv4-Tiny网络对具有长尾数据特征的野生动物数据集的目标检测性能。
中图分类号: