植物识别融合式双特征卷积神经网络.docx

植物识别融合式双特征卷积神经网络 摘要：为提取高效的植物形态学特征，提升在图像中植物的识别准确率，结合植物的宏观整体轮廓和微观局部纹理特征，提出融合式双特征神经网络（HDF-CNN）进行植物识别。采用并行双通道方案，充分利用密集残差网络增强植物器官细节纹理描述，采用另一个大卷积核CNN提取植物全局轮廓特征，将宏观和微观的特征融合后得到一个全面的植物特征。实验结果表明，与常见的图像识别方法相比，该方法能提取到精准高效的植物图像特征，取得了更高的识别准确率。 0 引言研究基于深度学习的植物识别方法能够帮助人们更容易地认识植物，具有重要的研究和应用意义。在植物识别的研究中，因为植物叶片所包含的形态学信息最为丰富，所以计算机视觉领域常常针对树叶来设计特征描述子。最为人所熟知的是基于统计学的形状上下文SC (shape context）描述方法，这个方法被谭亮本文根据深度卷积神经网络模型特点1 卷积神经网络残差植物图像的识别相比于一般物体识别更具挑战性，一般物体的识别，特别是不同大类之间物体在形状、颜色、结构上都存在着较大差异，经典的神经网络（ResNet更深的网络可以更清晰泛化图像特征，ResNet的残差结构能够很好的让网络加深的同时又能够缓解梯度弥散的问题使得网络易于训练收敛。在基础的残差模块中，每个残差模块都包含两条路径，其中一条路径是传统CNN中输入特征的直连通路，该路径接收上层传来的特征图进行后续卷积操作；另一条路径则不对输入的特征做任何操作，通过直连将特征直接送入指定的高层，最后再将两条路径上的特征相加。这样的连接方式可以直接将低层的特征跨层传到高层，成功解决梯度问题，让网络可以做得更深。但由于每层的feature map数过多，部分神经元并没有得到激活，也即是网络参数的利用率不高，从而影响计算效率，因此改进的残差模块中引进了1×1卷积。利用1×1卷积在不改变特征图尺寸的前提下先将输入的特征图通道数减少，然后再用减少通道后的特征进行卷积，卷积的结果通过1×1卷积核恢复到原有的通道数，这样便减少了残差网络的参数和计算复杂度。但是，ResNet中的残差连接位置是人为设计的，这便使得有效特征的利用产生了随机性，这是因为无法确定在不同的任务中具体哪一层的特征传到后面指定的高层后会对特征提取产生积极作用。为解决这样的随机性，使用如图1的密集残差卷积神经网络架构，明确区分添加到网络的信息和保留的信息，充分利用每一个卷积层得到的feature map来抽象更丰富特征，这样有利于提高模型在植物识别中的识别率。在一个拥有L层结构的卷积神经网络中，每一层实现一个非线性变化H为了提升特征利用率和信息流在网络层间的传递，本文采用一种更高效的连接方式：每一层通过直连的方式将所有低层的信息接入。图1诠释了这个密集连接结构，第l层接收来自所有低层的feature map，即式（2)式中：[x2 融合式双特征卷积神经网络2.1 特征融合架构识别一种植物的种类，植物学家常常从宏观的形态学特征出发，初步判断所属大类后，再结合具体器官（如叶片、花、果实等）上的微观细节纹理特征，才能够较为准确分辨一种植物。所以，一个优秀的植物特征提取方法需要同时考虑宏观和微观上特征。上节介绍用密集的残差结构能够很好地提取植物微观上的细节纹理特征，但同时我们又希望能够通过较为宏观的整体形态特征区分所属的大类，兼顾两种特征的优势提高识别效率。本文提出一种名为融合式双特征卷积神经网络（HDF-CNN）的端到端结构，HDF-CNN集成了一个用于提取宏观形态特征的卷积神经网络和一个描述微观植物器官纹理的密集残差网络，最后通过将两个不同维度提取到的特征进行融合，得到一个全面的植物特征。如图2所示，HDF-CNN由4个部分组成：共享层、微观层、宏观层、分类层，其中C代表卷积层，P代表池化层，R代表密集残差单元，F表示全连接层。共享层由两组卷积池化操作组成，目的是先将图片统一的转换成特征矩阵，统一的底层特征矩阵更有利于高层的特征信息提取。另一方面，共享的卷积层能够成倍降低网络训练参数。网络的输入图像为224×224像素的彩色图像，共享层和分类层卷积使用3×3卷积核，步长stride为1，池化层为2×2的平均池化，stride为2。3个全连接层依次是4096,4096,1000个通道数，最后分类使用Softmax层。2.2 特征子网络为了从不同的维度同时提取出宏观的植物形态特征和微观的植物器官纹理特征，分别针对两类特征设计了宏观层和微观层两个子网络。植物图片通过共享层卷积后得到的基础特征图feature map分别送到宏观层和微观层进一步提取两种分化特征，最后宏微观两种特征融合并在分类层进行最后的分类。(1）宏观层。宏观层的