温带鱼类检测与分类：一种基于深度学习的方法
计算机视觉与模式识别
2020-05-18 v1 机器学习
图像与视频处理
摘要
海洋生态学中的广泛应用大量使用水下摄像机。然而，为了高效处理生成的海量数据，我们需要开发能够自动检测并识别影像中物种的工具。由于噪声、光照变化及周围栖息环境的差异，从自然环境中的视频和图像对鱼类物种进行分类可能颇具挑战。本文提出一种无需预过滤的两步深度学习方法来检测与分类温带鱼类。第一步是检测图像中每条单独的鱼，与物种和性别无关。为此，我们采用You Only Look Once (YOLO)目标检测技术。第二步，我们采用带有Squeeze-and-Excitation (SE)架构的卷积神经网络（CNN）对图像中每条鱼进行分类，无需预过滤。我们应用迁移学习以克服温带鱼类训练样本有限的问题并提高分类精度。具体做法为：用ImageNet训练目标检测模型，并用公开数据集（Fish4Knowledge）训练鱼类分类器，随后用感兴趣的温带鱼类对目标检测与分类器进行更新。预训练获得的权重作为先验应用于后训练。我们的方案在预训练上达到了99.27%的SOTA精度。后训练精度的百分比表现良好：有图像增强与无图像增强分别为83.68%和87.74%，表明该方案在更大数据集下是可行的。
引用
@article{arxiv.2005.07518,
title = {Temperate Fish Detection and Classification: a Deep Learning based Approach},
author = {Kristian Muri Knausgård and Arne Wiklund and Tonje Knutsen Sørdalen and Kim Halvorsen and Alf Ring Kleiven and Lei Jiao and Morten Goodwin},
journal= {arXiv preprint arXiv:2005.07518},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1904.02768