結(jié)合注意力機制GoogLeNet 的羊只個體識別

李章輝， 王天一， 李遠(yuǎn)征

（貴州大學(xué)大數(shù)據(jù)與信息工程學(xué)院， 貴陽 550025）

0 引 言

隨著智能化養(yǎng)殖［1］的快速發(fā)展，智能化養(yǎng)殖場建設(shè)和畜牧養(yǎng)殖精準(zhǔn)化逐漸成為高效管理的理念。高效的養(yǎng)殖場管理需要精準(zhǔn)化到個體的身份信息，因此收集和識別個體信息變得尤為重要。 在智能化養(yǎng)殖過程中，為每只羊建立個體檔案有利于對養(yǎng)殖場精準(zhǔn)化飼養(yǎng)和實時監(jiān)控每只羊的身體健康信息提供了前提條件。 傳統(tǒng)的養(yǎng)殖場對動物的個體識別主要靠人工識別，但在大型養(yǎng)殖場，僅靠人工無法做到有效的個體識別。 由于智能化養(yǎng)殖具有效率高、識別準(zhǔn)確以及人力成本低等優(yōu)勢，因此智能化養(yǎng)殖正在逐步取代傳統(tǒng)化養(yǎng)殖。

智能化養(yǎng)殖減少了人工在大規(guī)模養(yǎng)殖中管理不當(dāng)?shù)葐栴}，涉及到個體識別［2］、目標(biāo)檢測［3］等領(lǐng)域。在動物個體識別領(lǐng)域，韓丁等［4］提出了將空間變換網(wǎng)絡(luò)引入VGGNet 網(wǎng)絡(luò)，對羊面部表情數(shù)據(jù)集的實驗。 宋一凡等［5］對比和總結(jié)了以牛只面部、軀干和口鼻3 個部位特征的非接觸式機器視覺［6］識別方法的研究成果。 馬娜等［7］設(shè)計了卷積層－池化層－卷積層－池化層2 層卷積神經(jīng)網(wǎng)絡(luò)［8］模型，對豬個體身份進行識別。 拉毛杰等［9］使用卷積神經(jīng)網(wǎng)絡(luò)改進了畜牧業(yè)動物圖像的識別準(zhǔn)確率。 在動物目標(biāo)檢測領(lǐng)域，魏斌等［10］基于深度學(xué)習(xí)模型的羊臉檢測效果較為理想，而羊臉識別工作在正面羊臉上取得了較高的準(zhǔn)確率。 張宏鳴等［11］提出通過添加長短距離語義增強模塊進行多尺度融合，結(jié)合Mudeep 重識別模型實現(xiàn)了肉牛多目標(biāo)跟蹤。 張宏鳴等［12］提出了一種基于YOLOv3 模型和卷積神經(jīng)網(wǎng)絡(luò)的多目標(biāo)肉牛進食行為識別方法，為養(yǎng)殖場中對動物行為非接觸式檢測提供了新的途徑。 何東健［13］提出基于最大連通區(qū)域的目標(biāo)循環(huán)搜索環(huán)境建模、目標(biāo)檢測算法，提高了識別犢牛動作的正確率（如：躺、站、走、跳等）。

本文在GoogLeNet 網(wǎng)絡(luò)中引入注意力機制模塊組成SE－GoogLeNet，將有用信號進行篩選放大，對dropout 參數(shù)進行調(diào)整。 在訓(xùn)練過程中，調(diào)整學(xué)習(xí)率大小以及對優(yōu)化器參數(shù)進行優(yōu)化，提高了對復(fù)雜背景下羊的識別準(zhǔn)確率。 實驗表明，改進后的SEGoogLeNet 相比改進前的模型，驗證集精度提高了2.2%，并利用采集羊圖像對訓(xùn)練好的模型進行了評價。

1 SE－GoogLeNet

1.1 GoogLeNet

在一些典型的深度學(xué)習(xí)網(wǎng)絡(luò)中，大都存在著網(wǎng)絡(luò)訓(xùn)練收斂慢、訓(xùn)練時間長、容易出現(xiàn)梯度消失和梯度爆炸等現(xiàn)象。 為避免上述問題發(fā)生，在GoogLeNet網(wǎng)絡(luò)中提出了Inception 模塊，網(wǎng)絡(luò)深度有22 層，結(jié)構(gòu)如圖1 所示。 GoogLeNet 網(wǎng)絡(luò)采取全局均值池化策略，代替全連接層以減少參數(shù)，并增加了兩個輔助分類器幫助訓(xùn)練，將Inception（4a）和Inception（4d）模塊的輸出用作分類，并按一個較小的權(quán)重（0.3）加到最終分類結(jié)果中，不僅達到了模型融合的效果，同時給網(wǎng)絡(luò)增加了反向傳播的梯度信號，也提供了額外的正則化，有益于網(wǎng)絡(luò)的訓(xùn)練。

圖1 GoogleNet 網(wǎng)絡(luò)模型圖Fig. 1 GoogleNet network model architecture

Inception 模塊中存在濾波器，且濾波器的輸出合并構(gòu)成下一層的輸入。 具體來說，Inception 模塊利用1×1 卷積核降維，再利用3×3、5×5 卷積核進行卷積操作，將輸入的特征矩陣分別與這4 個分支運算并得到4 個輸出，輸出在深度上拼接得到最終的輸出（使用Padding 填充讓4 個分支輸出能在寬度和高度上保持一致）。 使用不同大小卷積核融合了不同尺度的特征信息，增加了網(wǎng)絡(luò)的寬度以及網(wǎng)絡(luò)對尺度的適應(yīng)性，使得卷積網(wǎng)絡(luò)在特征提取過程中得到了不同大小的感受野，使網(wǎng)絡(luò)在訓(xùn)練過程中對不同大小個體有了更強的識別能力。 如圖2 所示，Inception 模塊結(jié)構(gòu)增加了網(wǎng)絡(luò)的寬度，可以達到更好的識別效果。 將網(wǎng)絡(luò)由深變寬，避免了網(wǎng)絡(luò)過深出現(xiàn)梯度消失和模型退化的問題。

圖2 Inception 模塊Fig. 2 Inception module

相比于傳統(tǒng)的Inception 模塊，GoogLeNet 網(wǎng)絡(luò)提出的Inception 模塊在分支2、3、4 中添加了1×1的卷積層，這3 個1×1 的卷積核是為了對通道方向上進行降維，減少參數(shù)量。 如圖3 所示，以Inception（3a）模塊中1×1 卷積后連接5×5 卷積分支為例計算參數(shù)量，使用1×1 卷積操作的模型參數(shù)僅為未使用1×1 卷積模型參數(shù)的12.9%。

圖3 Inception 模塊參數(shù)量對比Fig. 3 Inception module parameter comparison

1.2 改進SE－GoogLeNet

雖然GoogLeNet 網(wǎng)絡(luò)層數(shù)比較深，有較強的特征提取能力，但本文研究的是在養(yǎng)殖場環(huán)境下的羊個體識別，在識別過程中會遭受到不同程度噪聲的干擾，這些噪聲的干擾也會隨著網(wǎng)絡(luò)的訓(xùn)練進行傳遞，對識別個體精度造成不利的影響。

本文提出的改進GoogLeNet 網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。 該網(wǎng)絡(luò)在主分類器末的平均池化層后引入了注意力機制模塊，以改變每個通道的權(quán)重，將有用的特征進行放大，去除池化后學(xué)習(xí)到冗余特征信息。 為了防止過擬合現(xiàn)象的發(fā)生，將主網(wǎng)絡(luò)中隨機失活（dropout）層隨機失活神經(jīng)元由40%增大至70%。

圖4 SE－GoogLeNet 網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 4 SE－GoogLeNet network structure diagram

注意力機制結(jié)構(gòu)如圖5 所示，該機制是對輸入進來的特征層進行壓縮操作，每一層進行平均池化操作得到本層的參數(shù)。 池化操作是在水平和垂直兩個維度進行，針對于C個通道得到C個平均池化后的輸出，接著進行兩次全連接層，對輸出結(jié)果進行一個Sigmoid 激活函數(shù)處理，將輸出的值固定在0 ～1之間，得到每一個通道的權(quán)值，將此權(quán)值乘以輸入進來的每個特征層，得到最終輸出。 壓縮操作函數(shù)公式如式（1）所示：

圖5 注意力機制結(jié)構(gòu)圖Fig. 5 Structure diagram of attention mechanism

其中，Zc表示輸出特征層；Fsq表示壓縮操作函數(shù)；H、W表示特征圖的寬和高；i、j表示特征圖上的坐標(biāo)位置。

由于本文采集到的數(shù)據(jù)集較少，易發(fā)生過擬合現(xiàn)象，因此對主分類器中的隨機失活（dropout）層隨機失活從40%增大至70%。 在網(wǎng)絡(luò)訓(xùn)練過程中，從中隨機丟棄一些隱藏單元，相當(dāng)于在一個大的模型中隨機抽取出一個小的模型。 由于隨機失活的過程是動態(tài)的，每次訓(xùn)練過程中隨機失活的神經(jīng)元都有可能是不相同的。 也就是說只訓(xùn)練當(dāng)前子模型使用過的參數(shù)，而對于未使用過的參數(shù)不進行更新。 這些抽取出來的子模型共享參數(shù)，最終相當(dāng)于訓(xùn)練了很多的子模型。 在進行預(yù)測時，綜合所有子模型的預(yù)測結(jié)果，很好的解決了過擬合的問題。 具體公式如式（2）所示：

其中，Bernoulli（p） 是指伯努利分布。 以一個概率為p的伯努利分布，隨機生成與節(jié)點數(shù)相同的0、1 值，p就是每個神經(jīng)元被保留下的概率。

在經(jīng)過伯努利分布計算后得出概率p后，對輸入的神經(jīng)元重新計算進行隨機失活。 式3 中，是第l層的輸入；是第l層的輸出；是第l層的權(quán)重矩陣；f是激活函數(shù)。

針對多分類問題，主分類器和副分類器的交叉熵?fù)p失函數(shù)表達式如式（4）所示：

其中，M表示類別的數(shù)量；yic表示符號函數(shù)（0或1），若樣本i的真實類別等于c取1，否則取0；Pic表示觀測樣本，i屬于類別c的預(yù)測概率。

SE－GoogLeNet 網(wǎng)絡(luò)采用一個主分類器和兩個輔助分類器進行輸出，用定義好的損失函數(shù)分別求得3 個預(yù)測分類器的預(yù)測與真實標(biāo)簽之間的損失，將主分類器的損失值與兩個副分類器損失值的0.3倍相加得到總損失值。 總損失值計算如式（5）所示：

其中，Loss表示總損失；Loss0 表示主分類器損失；Loss1、Loss2 表示副分類器損失。

2 實驗結(jié)果與分析

2.1 實驗數(shù)據(jù)

本文中數(shù)據(jù)均來自貴州省某羊養(yǎng)殖場的拍攝視頻，分別對40 只羊進行了視頻拍攝（分辨率為1 920×1 080）。 經(jīng)過Adobe Premiere Pro 軟件進行視頻抽幀，對視頻中羊的全身、頭部等突出的個體特征進行圖像篩選，并將不同成長期的羊只混合在一起，共計抽取600 張樣本圖像。 部分圖像示例如圖6 所示。

圖6 羊部分圖片數(shù)據(jù)集Fig. 6 Examples of sheep data set

由于在網(wǎng)絡(luò)訓(xùn)練中需要大量的數(shù)據(jù)來達到更好的訓(xùn)練效果、提高網(wǎng)絡(luò)檢測的精度，但由于采集到的圖片數(shù)量有限，將對抽取的600 張圖片進行數(shù)據(jù)增強，增加數(shù)據(jù)數(shù)量，防止在網(wǎng)絡(luò)訓(xùn)練中出現(xiàn)過擬合的現(xiàn)象。 本文采用的數(shù)據(jù)增強主要是對圖片進行多個角度的旋轉(zhuǎn)、對比度的調(diào)整、亮度的調(diào)整、隨機平移等方式對源圖片進行數(shù)據(jù)擴充，數(shù)據(jù)擴充為原始圖片的7 倍數(shù)量，共計4 200 張羊的圖像。

本文在訓(xùn)練過程中將數(shù)據(jù)按照8 ∶2 的比例劃分為訓(xùn)練集和驗證集。 考慮到每張照片尺寸大小的原因，使用transforms 工具包將所有的樣本圖像進行隨機裁剪，設(shè)置大小為224×224 像素，并將其進行均值和方差都為0.5 的標(biāo)準(zhǔn)化處理，以便高效的對網(wǎng)絡(luò)進行訓(xùn)練。 處理后訓(xùn)練集和驗證集的數(shù)據(jù)量見表1。

表1 數(shù)據(jù)集統(tǒng)計Tab. 1 Statistics of dataset

2.2 實驗環(huán)境

本次實驗是在Python3.9、Pytorch1.11 的環(huán)境下進行，采用RTX2070 加速訓(xùn)練，GPU 顯存為8 GB，CPU：AMD Ryzen 5 3600，CPU 基頻為3.49 GHZ。

2.3 超參數(shù)設(shè)置

在深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練中，超參數(shù)選擇的好壞不僅和模型自身有關(guān)，還和軟硬件的配置相關(guān)。 本實驗在進行超參數(shù)調(diào)整之后，利用改進的SE －GoogLeNet 模型進行訓(xùn)練時，采用批量訓(xùn)練方式對訓(xùn)練集進行隨機打亂，驗證集保持不變，Batch＿size的大小設(shè)置為16，訓(xùn)練周期為60。 采用Adam 優(yōu)化器訓(xùn)練，eps值設(shè)為1e－5，初始學(xué)習(xí)率為0.000 08。

2.4 結(jié)果分析

為了了解不同優(yōu)化算法［14］對SE－GoogLeNet 網(wǎng)絡(luò)模型性能的影響，本文選擇Adam、SGD、RMSprop 3 種算法在相同的實驗環(huán)境下進行訓(xùn)練，結(jié)果見表2。 由表2 中數(shù)據(jù)可見，Adam 的訓(xùn)練時長最短，且精度最高，相比RMSprop 算法、SGD 算法高出了1.4%、29.9%。 因此，本文采用Adam 優(yōu)化算法進行訓(xùn)練。

表2 不同優(yōu)化算法下的模型精度Tab. 2 Model accuracy under different optimization algorithms

在采集的羊圖像數(shù)據(jù)集上進行訓(xùn)練，保證了每個模型在相同實驗環(huán)境下完成訓(xùn)練。 在訓(xùn)練過程中，每個訓(xùn)練周期后都會對模型的精確度進行驗證并保存數(shù)據(jù)。 引入注意力機制后，模型的識別準(zhǔn)確率得到了較大的提升，但是模型的大小增長非常小，進一步顯示出模型性能的優(yōu)越性。 改進后的網(wǎng)絡(luò)與3 種經(jīng)典分類網(wǎng)絡(luò)在羊只數(shù)據(jù)集上的準(zhǔn)確率和模型占用內(nèi)存容量對比見表3。

表3 模型準(zhǔn)確率和模型占用內(nèi)存容量對比Tab. 3 Comparison of model accuracy and model memory capacity

本文將數(shù)據(jù)集在GoogLeNet、改進后SE －GoogLeNet 上的驗證集準(zhǔn)確率的曲線展示如圖7 所示。

圖7 改進前與改進后GoogLeNet 網(wǎng)絡(luò)在羊圖像上的驗證集精確度與損失值曲線對比圖Fig. 7 Comparison of validation set accuracy and loss value curves of GoogLeNet network on sheep images before and after improvement

由圖7 可見不同模型之間的曲線趨勢，SEGoogLeNet 代表本文改進后的模型曲線。 模型學(xué)習(xí)羊只身體特征，不斷提高對個體的分類能力。 本文構(gòu)建的基于注意力機制的SE－GoogLeNet 模型準(zhǔn)確率更高，分類效果更好（如圖7（a））。 其主要原因是：一方面在于Inception 模塊將不同大小個體學(xué)習(xí)到的特征信息進行多尺度融合（Multiscale fusion），Inception 模塊有不同尺寸大小的卷積核進行提取特征，并將這些特征在深度上進行融合，進一步提高了模型的特征提取能力；另一方面在于加入注意力機制將有用信息的權(quán)重增強，削弱了噪聲的干擾，因而提高了模型最終的分類能力。

Loss損失函數(shù)在模型訓(xùn)練中是一個重要參數(shù)，可以通過其下降趨勢反映訓(xùn)練效果的好壞。 在訓(xùn)練網(wǎng)絡(luò)過程中，不斷地將數(shù)據(jù)傳入到網(wǎng)絡(luò)中進行迭代，經(jīng)過正向傳播后得出一個預(yù)測值，將預(yù)測值與實際標(biāo)簽做出對比得到一個損失值，將得到的損失值進行反向傳播來修正權(quán)重的誤差，使得損失函數(shù)不斷地減小，依次循環(huán)，訓(xùn)練精度將會不斷的得到提高。由不同模型在訓(xùn)練時的損失函數(shù)對比（圖7（b））可以看出，Loss值在第55 個周期時已經(jīng)收斂，達到了模型精度最高且泛化性能最好點的值。

利用SE－GoogLeNet 網(wǎng)絡(luò)模型訓(xùn)練得到的權(quán)重對隨機選取的3 只羊圖像進行預(yù)測，預(yù)測結(jié)果均達到了100%準(zhǔn)確率，說明改進后的SE－GoogLeNet能較好的對羊只個體識別，羊只預(yù)測結(jié)果如圖8 所示。

圖8 羊只預(yù)測結(jié)果Fig. 8 Prediction result of sheep

3 結(jié)束語

本文針對目前大規(guī)模羊場養(yǎng)殖中存在的羊個體識別的效率低、人工依賴性較大等問題，提出了基于結(jié)合注意力機制的GoogLeNet 網(wǎng)絡(luò)改進的SEGoogLeNet 模型，在網(wǎng)絡(luò)中引入注意力機制模塊用來減少噪聲影響，提高了模型的精度；同時，在相同實驗環(huán)境下研究了不同優(yōu)化算法對模型性能的影響。 實驗結(jié)果表明，改進后的SE－GoogLeNet 模型在對40 只羊的驗證集準(zhǔn)確率達到了94.5%，相對于原GoogLeNet 模型精確率上升了2.2%，改進后的SEGoogLeNet 模型相比于其它主流算法具有較高的準(zhǔn)確率，在智能化養(yǎng)殖中將會有很好的前景。