基于挤压激励卷积神经网络的温带鱼类生物特征分类
计算机视觉与模式识别
2019-04-08 v1
摘要
我们对沿海生态系统的有效监测与管理能力受到观测方法的严重制约。自然环境中物种的自动识别是一项极具前景的工具，它将彻底变革海洋生态学广泛应用的视频与图像分析。然而，由于水体中的噪声与光照变化，利用水下相机所拍摄图像对鱼类进行分类通常极具挑战性。文献中已有的分类方法依赖于对图像进行滤波以分离鱼体与背景，或通过去除背景噪声来锐化图像。这种预滤波过程可能对分类精度产生负面影响。本工作中，我们提出一种采用挤压激励（Squeeze-and-Excitation, SE）架构的卷积神经网络（CNN），用于在不进行预滤波的情况下对鱼类图像进行分类。与传统方案不同，本方案分为两步。第一步是通过公开数据集 Fish4Knowledge 训练鱼类分类器，不使用图像增强，称为预训练。第二步是基于我们感兴趣分类的新数据集训练分类器，称为后训练。预训练得到的权重作为先验应用于后训练，这也被称为迁移学习。我们的方案在预训练上取得了 99.27% 的当前最优精度。后训练的精度为 83.68%。在后训练中加入图像增强的实验取得了 87.74% 的精度，表明该方案在更大数据集下是可行的。
引用
@article{arxiv.1904.02768,
title = {Biometric Fish Classification of Temperate Species Using Convolutional Neural Network with Squeeze-and-Excitation},
author = {Erlend Olsvik and Christian M. D. Trinh and Kristian Muri Knausgård and Arne Wiklund and Tonje Knutsen Sørdalen and Alf Ring Kleiven and Lei Jiao and Morten Goodwin},
journal= {arXiv preprint arXiv:1904.02768},
year = {2019}
}