基于深度残差特征的海带自动层次分类
计算机视觉与模式识别
2020-08-10 v2
摘要
在全球范围内，正迅速收集遥感图像数据以评估从浅水到大陆坡及深海平原的极端深水处的底栖生物群落。目前利用这些数据受到专家识别图像中生物所需时间的限制。考虑到这一限制，全球已做出大量努力引入自动化和机器学习算法，以加速海洋底栖生物的分类与评估。一个主要问题在于像海带这样随涌浪和洋流移动的生物。本文提出一种自动层次分类方法（相对于传统的平面分类的局部二分类），用于对自主水下航行器采集的图像中的海带进行分类。所提出的海带分类方法利用了从深度残差网络提取的学习特征表示。我们表明这些通用特征优于传统的现成CNN特征和常规手工特征。实验还证明，在Benthoz15和Rottnest数据集上，层次分类方法分别以显著优势（90.0%对57.6%和77.2%对59.0%）优于传统的并行多类分类。此外，我们比较了不同的层次分类方法，并通过实验表明兄弟层次训练方法显著优于包含式层次方法。我们还报告了将所提方法应用于研究年度重复AUV调查中海带覆盖度随时间变化的情况。
引用
@article{arxiv.1906.10881,
title = {Automatic Hierarchical Classification of Kelps using Deep Residual Features},
author = {Ammar Mahmood and Ana Giraldo Ospina and Mohammed Bennamoun and Senjian An and Ferdous Sohel and Farid Boussaid and Renae Hovey and Robert B. Fisher and Gary Kendrick},
journal= {arXiv preprint arXiv:1906.10881},
year = {2020}
}
备注
MDPI Sensors