使用深度卷积神经网络的稀疏珊瑚分类

Mohamed Elawady

使用深度卷积神经网络的稀疏珊瑚分类

计算机视觉与模式识别 2015-12-01 v1

作者: Mohamed Elawady

摘要

自主修复深海珊瑚礁是近期提出的支持海洋生态系统的想法，这对商业捕鱼、旅游和其他物种至关重要。该想法可通过使用许多小型自主水下航行器(AUVs)和群体智能技术来定位并替换断裂的珊瑚块，从而实现重新生长和维持栖息地。本项目旨在开发机器视觉算法，使水下机器人能定位海床上的珊瑚礁和珊瑚块，并提示机器人拾取。尽管关于此特定问题无文献，但鱼类计数的相关工作可能提供一些见解。技术挑战主要由于水体潜在缺乏清晰度、平台稳定性以及伪影(岩石、鱼、蟹)。我们提出一种使用称为卷积神经网络(CNNs)的监督深度学习方法的高效稀疏珊瑚分类。我们计算Weber局部描述符(WLD)、相位一致性(PC)和零分量分析(ZCA)白化以提取形状和纹理特征描述符，它们被用作珊瑚输入图像除基本空间颜色通道(基于空间的图)之外的补充通道(基于特征的图)；我们还试验了用于图像增强和颜色归一化及颜色转换调整的最先进预处理水下算法。我们提出的珊瑚分类方法在MATLAB平台下开发，并通过两个不同珊瑚数据集(加州大学圣地亚哥分校的Moorea Labeled Corals，和赫瑞瓦特大学的大西洋深海珊瑚)评估。

关键词

珊瑚分类卷积神经网络稀疏分类水下图像特征提取图像增强深度学习

引用

@article{arxiv.1511.09067,
  title  = {Sparse Coral Classification Using Deep Convolutional Neural Networks},
  author = {Mohamed Elawady},
  journal= {arXiv preprint arXiv:1511.09067},
  year   = {2015}
}

备注

Thesis Submitted for the Degree of MSc Erasmus Mundus in Vision and Robotics (VIBOT 2014)

使用深度卷积神经网络的稀疏珊瑚分类

摘要

关键词

引用

备注

相关论文