用于浮游生物与珊瑚分类的深度学习
计算机视觉与模式识别
2019-12-11 v2
摘要
海洋是地球重要的命脉：它们提供超过 70% 的氧气与超过 97% 的水。浮游生物与珊瑚是海洋生态系统最基础的组分中的两种，前者因其处于海洋食物链多级的功能，后者因其为许多鱼类种群提供产卵与育幼场。研究与监测浮游生物分布和珊瑚礁对环境保护至关重要。近年用于水下生态系统监测的数字图像大量激增，许多研究集中于浮游生物与珊瑚的自动识别。本文我们呈现一项关于水下生态系统自动监测系统的研究。此处提出的系统基于不同深度学习方法的融合。我们研究如何创建基于不同 CNN 模型的集成，在多个数据集上微调以利用其多样性。我们研究的目的是试验微调预训练 CNN 用于水下图像分析的可能性、使用不同数据集预训练模型的机会、以及设计在训练过程中有微小差异的同架构集成的可行性。实验结果令人鼓舞，我们在 5 个知名数据集（3 个浮游生物与 2 个珊瑚数据集）上的实验表明，此类不同 CNN 模型在异质集成中的融合相较于其他 SOTA 方法在所有测试问题上均带来实质性能提升。本工作的主要贡献之一是对著名 CNN 架构的广泛实验评估，以报告单 CNN 与 CNN 集成在不同问题中的性能。此外，我们展示如何创建提升最佳单模型性能的集成。
引用
@article{arxiv.1908.05489,
title = {Deep learning for Plankton and Coral Classification},
author = {Alessandra Lumini and Loris Nanni and Gianluca Maguolo},
journal= {arXiv preprint arXiv:1908.05489},
year = {2019}
}