基于弱多域监督的水下鱼类检测
计算机视觉与模式识别
2019-11-05 v2 机器学习
摘要
给定足够大的训练数据集，训练一个现代卷积神经网络（CNN）作为所需的图像分类器相对容易。然而，对于鱼类分类和/或鱼类检测任务，如果CNN被训练为在特定背景栖息地中检测或分类特定鱼类物种，那么当应用于新的/未见过的鱼类物种和/或鱼类栖息地时，同一CNN的准确率会大幅降低。因此，在实践中，需要持续对CNN进行微调以提高其分类准确率，从而处理新的项目特定鱼类物种或栖息地。在本工作中，我们提出了一种标签高效的CNN鱼类检测器（以Xception CNN为基础）训练方法，使用来自20个不同栖息地的相对少量（4000张）项目域水下有鱼/无鱼图像进行训练。此外，还使用了17000张已知的负样本（即无鱼）通用域（VOC2012）水上图像。两个公开可用的鱼类域数据集额外提供了27000张水上和水下正样本/鱼类图像。通过使用这一多域图像集合，训练得到的基于Xception的二分类（鱼/非鱼）分类器在项目自身的20000张负样本和16000张正样本留出测试图像上分别达到了0.17%的假阳率和0.61%的假阴率。ROC曲线下面积（AUC）为99.94%。
引用
@article{arxiv.1905.10708,
title = {Underwater Fish Detection with Weak Multi-Domain Supervision},
author = {Dmitry A. Konovalov and Alzayat Saleh and Michael Bradley and Mangalam Sankupellay and Simone Marini and Marcus Sheaves},
journal= {arXiv preprint arXiv:1905.10708},
year = {2019}
}
备注
Published in the 2019 International Joint Conference on Neural Networks (IJCNN-2019), Budapest, Hungary, July 14-19, 2019, https://www.ijcnn.org/ , https://ieeexplore.ieee.org/document/8851907