改进FCOS网络的海洋鱼类目标检测
鱼类的探索与保护是保持海洋生态环境平衡的重要一环,?然而水下环境复杂,?受光照、水质以及遮挡物的影响,?造成水下捕捉鱼类图像成像模糊识别困难,?制约水下鱼类目标的检测速度以及检测精度.?针对以上问题,?提出了一种基于改进FCOS的海洋鱼类识别模型.?首先,?该模型以一阶段算法FCOS为基本架构,?使用轻量级的MobileNetv2作为骨干网络,?既保证检测准确度,?还可以提高检测;?其次,?引入自适应空间特征融合(adaptively?spatial?feature fusion,?ASFF)模块,?避免尺度特征的不一致性,?提高检测精度;?最后,?将center-ness分支引入到回归分支中,?引入联合交并比损失(GIoU?loss,?generalized?intersection?over?union)提高检测的性能.?实验数据集使用公开数据集Fish4Knowledge?(F4K)中的图片以及视频帧截取图片,?选取训练性能最优模型进行评估.?结果表明,?提出的新模型在以上数据集的平均检测精度分别为99.79%、99.88%,?相较于原模型以及其他检测模型本文提出模型的检测精度与识别速度更高,?可为海洋鱼类识别提供参考依据.
鱼类识别、目标检测、FCOS网络、特征融合、MobileNetv2、深度学习
32
TP391.41;TN957.51;TP277
山东省自然科学基金ZR2021MF092
2023-03-16(万方平台首次上网日期,不代表论文的发表时间)
共7页
309-315