基千多模块融合的动物图像识别方法研究.pdfVIP

摘要

在全球范围内，动物图像的自动识别对于生物多样性的保护、生态监测

和自然资源管理具有重要意义。然而，野生环境下的动物图像识别面临着种

种挑战，包括复杂背景、动物姿态多变以及光照条件的不稳定等。为了克服

这些问题，本文提出了一种基于多模块融合的动物图像识别方法，主要研究

内容如下：

（1）本文提出了一种改进的YOLOv5s模型，集成坐标注意力机制和双

向特征金字塔网络（BiFPN），以提升识别的准确率和效率。引入了坐标注意

力机制使模型能够更加专注于图像中的关键区域，如动物的眼睛、耳朵和身

体轮廓等显著特征，而不是被背景信息干扰。这种机制的引入显著提高了在

野外环境中模型对图像中动物特征的识别能力；双向特征金字塔网络

（BiFPN）强化了模型对不同尺寸动物的检测能力。通过融合多尺度的特征

信息，BiFPN能够有效地提高小型动物检测的准确率，并保持对大型动物识

别的高效性。

（2）为进一步增强模型对于动物纹理和形状信息的捕获能力，本文引

入了改进局部二值模式（NLBP）的特征提取方法。并提出了一种基于通道

注意力的特征融合策略，即CAFF模块。CAFF模块的核心是利用通道注意

力机制来加强模型对重要特征的关注，同时抑制不重要的特征，从而实现更

为有效的特征融合。它接收来自不同源（如YOLOv5s网络、LBP特征提取

器等）的特征图作为输入，然后通过通道注意力计算和特征重标定操作完成

特征融合。这使得最终的特征表达更为丰富和鲁棒。

关键词：动物图像识别；深度学习；注意力机制；特征融合；改进

YOLOv5s

ABSTRACT

Globally,automaticrecognitionofanimalimagesiscrucialfortheconservation

ofbiodiversity,ecologicalmonitoring,andthemanagementofnaturalresources.

However,animalimagerecognitioninwildenvironmentsischallengedbyvarious

factorsincludingcomplexbackgrounds,variableanimalpostures,andunstablelighting

conditions.Toovercometheseissues,thisthesispresentsamulti-modulefusion-based

methodforanimalimagerecognition,withthefollowingmainresearchcontents:

(1)ThisthesisproposesanimprovedYOLOv5smodel,integratingcoordinate

attentionmechanismsandaBi-directionalFeaturePyramidNetwork(BiFPN)to

enhanceaccuracyandefficiencyinrecognition.Theintroductionofthecoordinate

attentionmechanismallowsthemodeltofocusmoreonkeyareasinimages,suchas

theeyes,ears,andbodycontoursofanimals,ratherthanbeingdisturbedbybackground

information.Thissignificantlyimprovesthemodelscapabilitytorecognizeanimal

featuresinwildenvironments;theBi-directionalFeaturePyramidNetwork(BiFPN)

strengthensthedetectionabilityforanim