一种用于提高模糊生物图像识别准确度的卷积计算方法

本发明涉及野外生物识别，特别是涉及一种用于提高模糊生物图像识别准确度的卷积计算方法。

背景技术：

1、在深度学习的推动下，模糊目标识别技术取得了显著进展。首先，ehdc框架通过混合膨胀卷积网络提取小目标特征，不增加算法计算量的同时扩大感知领域，并通过自适应相关矩阵学习空间语义特征，补偿目标特征的缺失，提高了小型水下模糊目标的识别准确性。其次，针对纠缠光量子成像目标识别问题，提出了基于双流特征融合网络的方法，通过自发参量下转换制备纠缠光子对并实现量子成像，进而设计双流特征融合卷积网络以识别重构的量子图像。另外，针对旋转运动模糊生物图像，提出了一种新型的旋转不变量目标识别方法，通过构建包含三个度量层的模型，提高了模糊生物图像的正确目标识别率。

2、在空间目标识别方面，通过三维模型和仿真图像生成参考图像，使用生成对抗网络gan提高了基于地面观测的空间目标识别的正确率、准确性和效率。此外，基于卷积神经网络(cnn)的模糊面部表情识别系统，通过不同深度的cnn训练，实现了高准确率的面部表情识别。在运动模糊的中文字符编码目标ccts识别方面，采用深度学习和迁移学习，减少了所需样本数量和训练时间，提高了识别准确率。最后，针对红外小目标检测irstd问题，采用一种新型的红外形状网络isnet，通过特定的边缘块和双向注意力聚合块，提取目标的精确形状信息，对于低信噪比和低对比度的红外目标检测具有显著效果。

3、综上所述，深度学习技术在模糊目标识别领域的应用日益广泛，通过不同的网络结构和学习策略，能够有效提高识别性能，为未来的研究和应用提供了有力的技术支撑。但是以上技术都是在优化特征提取策略和补全特征信息，并没有解决模糊目标与背景之间差异小的问题，亟需提出一种用于提高模糊生物图像识别准确度的卷积计算方法，通过对卷积核权重的修改从而放大模糊目标与背景之间差异。

技术实现思路

1、现有的深度卷积神经网络在面对野外模糊生物图像时的卷积核往往难以有效捕捉到目标的特征，进而影响识别准确性的问题，尤其是在模糊或过曝光等不理想条件下进行目标识别；为了解决这一问题，本发明提出了一种用于提高模糊生物图像识别准确度的卷积计算方法，通过在卷积神经网络(cnn)中实现像素差异性增强的功能，以提高分类准确率。

2、为实现上述目的，本发明提供了如下方案：

3、一种用于提高模糊生物图像识别准确度的卷积计算方法，包括：

4、s1.获取模糊生物图像；

5、s2.构建最优卷积运算模型，构建所述最优卷积运算模型包括：获取深度学习模型中卷积核内的所有权重值，通过所述权重值，获取权重平均值；根据所述权重平均值，确定特征提取因子，将所述特征提取因子引入所述卷积核的卷积运算模型，获取最优卷积运算模型；

6、s3.将所述模糊生物图像输入所述最优卷积运算模型进行特征提取和卷积运算，获取特征图。

7、可选地，获取所述权重平均值包括：

8、对所获取的所有权重值进行求和，将求和后的权重值与权重数量相除，获取所述权重平均值。

9、可选地，根据所述权重平均值，确定特征提取因子包括：

10、对所述权重平均值与所述权重值进行比较，当所述权重平均值大于所述权重值时，获取第一特征提取因子，当所述权重平均值小于所述权重值时，获取第二特征提取因子。

11、可选地，所述第一特征提取因子大于所述第二特征提取因子，且所述第一特征提取因子和所述第二特征提取因子均大于1。

12、可选地，获取所述最优卷积运算模型包括：

13、将所述特征提取因子乘以所述卷积运算模型中的卷积核内部的权重值，获取所述最优卷积运算模型。

14、可选地，获取所述卷积核的卷积运算模型的方法为：

15、y＝wx+b

16、其中，y为卷积核经过卷积运算后的输出值，w为卷积核内部的权重值，x为输入特征或数据，b为偏置项。

17、可选地，获取所述最优卷积运算模型的方法为：

18、y＝wi*(pi)xi+b

19、其中，y为卷积核经过卷积运算后的输出值，w为第i个卷积核内部的权重值，xi为输入特征或数据，b为偏置项，pi为特征提取因子。

20、可选地，该方法还包括：设置时间周期，当时间到达所述时间周期时，则重复步骤s2。

21、本发明的有益效果为：

22、本发明基于对原有卷积神经网络(cnn)中特征提取的卷积计算进行改进，实现像素差异性增强，以此提高卷积神经网络模型对于模糊生物图像的识别准确度。

23、本发明通过提升传统卷积核对于像素差异的敏感性，并提升识别准确率。

技术特征：

1.一种用于提高模糊生物图像识别准确度的卷积计算方法，其特征在于，包括：

2.根据权利要求1所述的用于提高模糊生物图像识别准确度的卷积计算方法，其特征在于，获取所述权重平均值包括：

3.根据权利要求1所述的用于提高模糊生物图像识别准确度的卷积计算方法，其特征在于，根据所述权重平均值，确定特征提取因子包括：

4.根据权利要求3所述的用于提高模糊生物图像识别准确度的卷积计算方法，其特征在于，所述第一特征提取因子大于所述第二特征提取因子，且所述第一特征提取因子和所述第二特征提取因子均大于1。

5.根据权利要求1所述的用于提高模糊生物图像识别准确度的卷积计算方法，其特征在于，获取所述最优卷积运算模型包括：

6.根据权利要求1所述的用于提高模糊生物图像识别准确度的卷积计算方法，其特征在于，获取所述卷积核的卷积运算模型的方法为：

7.根据权利要求1所述的用于提高模糊生物图像识别准确度的卷积计算方法，其特征在于，获取所述最优卷积运算模型的方法为：

8.根据权利要求1所述的用于提高模糊生物图像识别准确度的卷积计算方法，其特征在于，该方法还包括：设置时间周期，当时间到达所述时间周期时，则重复步骤s2。

技术总结本发明涉及一种用于提高模糊生物图像识别准确度的卷积计算方法，包括：获取模糊生物图像；构建最优卷积运算模型，构建最优卷积运算模型包括：获取深度学习模型中卷积核内的所有权重值，通过权重值，获取权重平均值；根据权重平均值，确定特征提取因子，将特征提取因子引入卷积核的卷积运算模型，获取最优卷积运算模型；将模糊生物图像输入最优卷积运算模型进行特征提取和卷积运算，获取特征图。本发明基于对原有卷积神经网络(CNN)中特征提取的卷积计算进行改进，实现像素差异性增强，以此提高卷积神经网络模型对于模糊生物图像的识别准确度。技术研发人员：刘丰睿受保护的技术使用者：兰州大学技术研发日：技术公布日：2024/7/29