用于水力发电应用的基于深度学习的水下鱼类检测
计算机视觉与模式识别
2018-11-06 v1
摘要
随着潮汐涡轮机和河流内涡轮机等利用自然流动水体发电的新技术的发展,来自海洋和河流的清洁能源正成为现实。这些新技术正通过水下视频监测对鱼类及其他野生动物的影响。需要自动分析水下视频的方法以降低成本并提高精度。我们训练了一个深度学习模型 YOLO,使用在真实水力发电站点记录的三个差异很大的数据集来识别水下视频中的鱼类。使用全部三个数据集的样例进行训练和测试,得到平均精度均值(mAP)得分为 0.5392。为检验模型对新数据集的泛化能力,仅使用其中两个数据集的样例训练模型,然后在全部三个数据集的样例上测试。所得模型无法识别未参与训练的数据集中的鱼类。在训练集中包含的两个数据集上的 mAP 得分高于使用全部三个数据集训练的模型所得得分。这些结果表明,需要不同的方法来产生能够泛化到新数据集(如现实世界应用中遇到的那些)的已训练模型。
引用
@article{arxiv.1811.01494,
title = {Underwater Fish Detection using Deep Learning for Water Power Applications},
author = {Wenwei Xu and Shari Matzner},
journal= {arXiv preprint arXiv:1811.01494},
year = {2018}
}
备注
Accepted at CSCI 2018