基于CycleGAN和注意力增强迁移学习的小样本鱼类识别

作     者：刘世晶 刘阳春 钱程 郑浩君 周捷 张成林 LIU Shijing;LIU Yangchun;QIAN Cheng;ZHENG Haojun;ZHOU Jie;ZHANG Chenglin

作者机构：中国水产科学研究院渔业机械仪器研究所上海200092 中国海洋大学三亚海洋研究院三亚572011 中国农业机械化科学研究院集团有限公司北京100083 大连海洋大学航海与船舶工程学院大连116023 上海市崇明区水产技术推广站上海202150 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2023年第54卷第S01期

页      面：296-302页

核心收录：

学科分类：08[工学] 0828[工学-农业工程] 082801[工学-农业机械化工程] 

基　　金：青岛海洋科技中心山东省专项经费项目(2022QNLM030001-2) 中央级公益性科研院所基本科研业务费专项资金项目(2022XT06) 

主　　题：大黄鱼识别 循环对抗网络 注意力增强 SK-Net 迁移学习 注意力机制 

摘      要：围绕水产养殖水下目标精准识别的产业发展需求,针对小样本目标识别精度低、模型算法场景适应能力差等问题,提出一种基于改进循环对抗网络(Cycle constraint adversarial network,CycleGAN)样本扩增和注意力增强迁移学习的小样本养殖鱼类识别方法。利用水下采样装备收集实际养殖场景和可控养殖场景大黄鱼图像,并以可控场景图像作为辅助样本集。利用CycleGAN为基础框架实现辅助样本到实际养殖场景图像的迁移,并提出一种基于最大平均差异(Maximum mean discrepancy,MMD)的迁移模型损失函数优化方法。在迁移学习阶段使用ResNet50为基础框架,并引入SK-Net(Selective kernel network)注意力机制优化模型对不同感受野目标的感知能力,提升模型对无约束鱼类目标的识别精度。试验结果表明,本文方法有效提升了小样本鱼类目标的识别能力,鱼类识别召回率达到94.33%,平均精度均值达到96.67%,为鱼类行为跟踪和表型测量提供了有效的技术支撑。