基于深度神经网络利用水下视频评估鱼类丰度
计算机视觉与模式识别
2018-07-17 v1 机器学习
摘要
海洋生物学家正迅速采用水下视频来评估鱼类的多样性和丰度。由人类分析员手动处理视频以进行量化既耗时又费力。自动处理视频可以一种节省成本且高效的方式实现这些目标。旨在构建一个准确可靠的鱼类检测与识别系统，这对于自主机器人平台十分重要。然而，该任务面临诸多挑战（例如复杂背景、形变、低分辨率和光传播）。深度神经网络的最新进展推动了实时场景下目标检测与识别的发展。本文引入了一种基于端到端深度学习的架构，其在鱼类评估任务上优于现有最优方法，且属该任务首创。将由称为 Faster R-CNN 的目标检测器引入的区域提议网络（Region Proposal Network, RPN）与三个分类网络相结合，用于检测和识别从远程水下视频站（Remote Underwater Video Stations, RUVS）获取的鱼类物种。实验中获得的 82.4%（mAP）准确率远高于先前提出的方法。
引用
@article{arxiv.1807.05838,
title = {Assessing fish abundance from underwater video using deep neural networks},
author = {Ranju Mandal and Rod M. Connolly and Thomas A. Schlacherz and Bela Stantic},
journal= {arXiv preprint arXiv:1807.05838},
year = {2018}
}
备注
IJCNN 2018