面向可持续海洋管理的轻量级鱼类分类模型：以印度尼西亚为例
计算机视觉与模式识别
2024-01-05 v1 机器学习
摘要
对海产品的大量需求导致了对海洋资源的过度开发以及某些物种濒临灭绝。特别是，过度捕捞是海洋可持续发展面临的主要问题之一。为了与保护海洋资源和可持续捕捞的目标相一致，本研究提出推进鱼类分类技术，利用最先进的机器学习来支持识别受保护的鱼类物种。我们使用 MobileNet 模型的自定义修改版本设计了一个名为 M-MobileNet 的轻量级分类器，它能够在有限的硬件上运行。作为研究的一部分，我们编制了一个包含 37,462 张在印度尼西亚群岛水域发现的鱼类图像的标注数据集。所提出的模型在该数据集上进行训练，将捕获鱼类的图像分类到其物种，并给出它们是否可食用的建议。我们修改后的 MobileNet 模型仅使用了顶层 50\% 的参数，GTX 860M 利用率约为 42%，在鱼类分类和确定其可食用性方面达到了 97% 的准确率。鉴于许多渔船上计算能力有限，所提出的模型为现场鱼类分类提供了实用的解决方案。此外，在多艘渔船上同步实施所提出的模型可以提供有关不同鱼类物种移动和位置的宝贵信息。
引用
@article{arxiv.2401.02278,
title = {Lightweight Fish Classification Model for Sustainable Marine Management: Indonesian Case},
author = {Febrian Kurniawan and Gandeva Bayu Satrya and Firuz Kamalov},
journal= {arXiv preprint arXiv:2401.02278},
year = {2024}
}