基于多阶段特征提取的鱼类识别研究

TP18%TP391.41%S951.2; 鱼类自动识别在海洋生态学、水产养殖等领域应用广泛.受光照变化、目标相似、遮挡及类别分布不均衡等因素影响,鱼类精准自动识别极具挑战性.提出了一种基于多阶段特征提取网络(Multi-stage Feature Extraction Network,MF-Net)模型进行鱼类识别.该模型首先对图片作弱增强预处理,以提高模型的计算效率;然后采用多阶段卷积特征提取策略,提升模型对鱼类细粒度特征的提取能力;最后通过标签平滑损失计算以缓解数据的不平衡性.为验证模型的性能,构建了一个500类、含32 768张图片的鱼类数据集,所建模型在该数据集上的准确率达到86.8...

Full description

Saved in:
Bibliographic Details
Published in南方水产科学 Vol. 20; no. 1; pp. 99 - 109
Main Authors 吕俊霖, 陈作志, 李碧龙, 蔡润基, 高月芳
Format Journal Article
LanguageChinese
Published 中国水产科学研究院南海水产研究所,广东广州 510300%华南农业大学,广东广州 510642 01.02.2024
Subjects
标签平滑
鱼类识别
长尾识别
Long-tailed recognition
特征提取网络模型
Feature extraction Network model
Label smoothing
Fish recognition
Online AccessGet full text
ISSN2095-0780
DOI10.12131/20230197

Cover

More Information
Summary:TP18%TP391.41%S951.2; 鱼类自动识别在海洋生态学、水产养殖等领域应用广泛.受光照变化、目标相似、遮挡及类别分布不均衡等因素影响,鱼类精准自动识别极具挑战性.提出了一种基于多阶段特征提取网络(Multi-stage Feature Extraction Network,MF-Net)模型进行鱼类识别.该模型首先对图片作弱增强预处理,以提高模型的计算效率;然后采用多阶段卷积特征提取策略,提升模型对鱼类细粒度特征的提取能力;最后通过标签平滑损失计算以缓解数据的不平衡性.为验证模型的性能,构建了一个500类、含32 768张图片的鱼类数据集,所建模型在该数据集上的准确率达到86.8％,优于现有的主流目标识别方法.利用公开的蝴蝶数据集对该模型进行泛化性能验证,多组消融实验进一步验证了所提算法的有效性.
ISSN:2095-0780
DOI:10.12131/20230197