基于改进的Mask R-CNN的鱼类识别算法研究

摘要：

水下鱼类是重要的地球生物资源.针对现有的深度学习模型在水下鱼类图像识别场景中识别效果不佳的问题,提出了一种基于改进的Mask R-CNN的鱼类识别算法模型.首先,采用深度残差网络和特征金字塔结构对水下鱼类图像进行特征提取;其次,选用区域候选网络针对特征图生成感兴趣区域;然后,通过改进的Soft NMS算法对感兴趣区域进行后处理以减少对鱼类目标候选框的误检率;最后,在头部网络中添加级联结构对特征区域进行微调以提升鱼类识别精度.在Fish4knowledge数据集上的对比实验结果表明,改进的鱼类识别算法的平均精度均值为87.4%,相对于基线算法模型精度提升了3.6%.所提算法能够有效提高水下鱼类识别精度,同时减少误检率,提升泛化性能,对我国水下鱼类资源的开发利用具有重要的学术价值和经济价值.

关键词：鱼类识别、Mask R-CNN、Soft NMS、级联结构、迁移学习

所属期刊栏目：51

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-10-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1238-1243