原始名称记载: 东北林业大学; 哈尔滨新光光电科技股份有限公司

本发明提出了一种融合细粒度特征和上下文特征的野生动物识别方法，属于野生动物识别技术领域。野生动物因体型、拍摄距离呈现多尺度特征，仅依赖高层语义特征，小型动物易丢失关键细节，大型动物难全面表示多样特征，无法适应多尺度变化，影响识别精度的问题。通过构建基于Swin Transfomer‑ConvNextv2算法与HCFF模块的图像野生动物识别网络，对构建的识别网络进行训练，对训练后的野生动物识别网络进行模型优化，对优化后的网络进行动物图像的物种识别。

本发明提出了一种面向红外触发相机野生动物物种识别的半监督目标检测方法，属于野生动物监测及物种识别领域。解决了模型缺乏热启动过程，易出现梯度爆炸，并因早期伪标签噪声过大导致模型欠拟合及训练不稳定及教师模型预测结果的不可靠，生成大量假阳性样本，使学生模型在训练中性能急剧下降的问题。它包括构建训练集，构建教师－学生双网络模型；采用标签样本集（1a）进行监督热启动训练，作为半监督目标检测器的初始化参数；将所述学生模型（2b）权重拷贝为教师模型（2a）权重，并以指数移动平均方式更新教师模型；生成并筛选伪标签样本；优化标签样本集（1a）；联合训练；迭代后输出最终模型。用于野生动物监测及物种识别。