检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

改进YOLOv5的海洋鱼类检测算法研究

改进YOLOv5的海洋鱼类检测算法研究

作者：王娜大连交通大学

学位级别：硕士

近年来,目标检测因其在计算机视觉领域的优异表现而备受关注,但现有目标检测算法对海洋中密集型的小目标鱼群识别效果较差,此外鱼类自身保护色使主体与背景色极为相似,不利于特征的提取。为了解决上述问题,本文提出了一种改进YOLOv5的... 详细信息

近年来,目标检测因其在计算机视觉领域的优异表现而备受关注,但现有目标检测算法对海洋中密集型的小目标鱼群识别效果较差,此外鱼类自身保护色使主体与背景色极为相似,不利于特征的提取。为了解决上述问题,本文提出了一种改进YOLOv5的海洋鱼类识别算法,并在自制数据集Twelve-Fish上进行了实验。经过改进后的算法精确度得到了提升,并且推理速度在可接受的范围内微增,对密集型鱼群和主体背景相似的问题有明显的改善。本文的主要工作内容包括以下几点:(1)本文搜集并制作了包含12种珍稀海洋鱼类的目标检测数据集——Twelve-Fish数据集,并按照PaSCAl VOC2007数据集的格式对其进行标注。(2)对于密集型鱼群,即小目标的检测问题,提出两方面改进策略:(1)提出一种九宫格模式的数据增强方法Mosaic9。将YOLOv5算法中以四张图片进行随机旋转、裁剪、缩放的Mosaic数据增强升级为以九张图片进行随机旋转、裁剪、缩放的Mosaic9数据增强方法,以此来丰富数据集中的小目标样本,提高训练速度。(2)提出一种改进的特征融合网络,并添加小目标检测层。增加一组更小尺寸锚点框,利用FPN+PAN结构的多尺度特征融合,采取跨层级连接的方式按通道融合浅层特征,并将融合后的特征层作为小目标检测层添加到检测网络当中。实验结果表明,该方法能够有效改善小目标的检测能力。(3)对于海洋鱼类主体与背景相似问题,采取添加注意力机制的改进措施。在主干网络中同时添加空间注意力和通道注意力,使网络模型在特征提取的过程中能够综合考量全局信息,在复杂的背景中快速找到区别于背景的重要特征信息。实验结果表明,通过添加注意力机制能够改善相似背景下的鱼类主体的检测效果。在实验部分,对本文所提出的三个不同改进点进行了消融实验,选取最优改进组合作为本文最终的改进算法。将改进后的算法模型与未改进的YOLOv5n和经典的Faster R-CNN算法进行对比实验。实验结果表明,改进后的精度m AP值相比于YOLOv5n提高了3.3%,相比于Faster R-CNN提高了4.8%;单张图片推理速度比YOLOv5n延长了6ms,比Faster R-CNN模型缩短5ms;其次对于极端的密集型鱼群和主体背景相似图像的测试效果均有明显的改善。总体来说,本文所改进的模型在基本保证推理速度的同时提高了海洋鱼类的检测效果。

关键词： YOLOv5 鱼类检测数据增强小目标检测注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的鱼类检测与跟踪算法研究

基于深度学习的鱼类检测与跟踪算法研究

作者：董铖鲁东大学

学位级别：硕士

鱼类检测与跟踪技术作为解决海洋牧场中鱼类计数测量和鱼类行为分析等实际问题的前提和基础,在水产养殖领域中具有重要意义。近年来,基于深度学习的目标检测与多目标跟踪算法成为研究热点,然而在水产养殖领域的研究和应用并不广泛。将... 详细信息

鱼类检测与跟踪技术作为解决海洋牧场中鱼类计数测量和鱼类行为分析等实际问题的前提和基础,在水产养殖领域中具有重要意义。近年来,基于深度学习的目标检测与多目标跟踪算法成为研究热点,然而在水产养殖领域的研究和应用并不广泛。将目标检测和多目标跟踪算法应用到水产养殖领域并提高鱼类检测与跟踪时的准确率,是一项重要的研究任务,是实现智慧渔业的关键技术之一。本文提出了基于深度学习的鱼类检测与多目标跟踪算法模型,最后研发了基于Pytorch和Flask的鱼类检测与跟踪系统。本文的主要工作如下:(1)提出了一种遮挡情况下鱼类实时检测方法ROFD(Real-time occluded fish detection)。在鱼类检测中的遮挡可分为类内遮挡和类间遮挡,遮挡严重会导致较高的漏检和误检率。首先,针对类内遮挡问题,采用排斥力损失函数(Repulsion loss)阻止预测框向附近的其他同类目标的位置偏移,使模型在鱼类之间相互遮挡时识别更加准确,减少漏检的情况;其次,针对鱼类被其他物体遮挡造成的目标信息不全问题,在检测模型的多尺度特征融合与检测模块(Head)中增加了一个跨阶段局部网络模块,以融合更多不同传播路径上提取出的特征,并将融合后的特征进一步提取信息后输送到预测端,再次提高模型对鱼类检测的精度,减少鱼类漏检数量;最后,构建了复杂水上鱼类检测数据集COFD(Complex overwater fish detection)。COFD数据集的图片通过在实验室中搭建养鱼池,使用摄像头拍摄数据,在后期经过图像标注和数据预处理等步骤制作得到。在COFD数据集上进行实验,AP50达到92.0%,AP75达到60.0%,AP值达到55.2%,实验证实本方法有效地提高了鱼类在遮挡情况下的检测准确率。(2)提出了一种基于注意力机制的鱼类多目标跟踪方法Fish Track。将基于注意力机制的Trans Track算法迁移到了鱼类跟踪任务中,以实现对鱼类的跟踪。然而Trans Track算法中使用的损失函数收敛速度较慢,且收敛精度不高,使用的骨干网络提取特征的能力较弱,无法有效提高对鱼类进行追踪时的准确率。针对这一问题,对Trans Track算法的骨干网络和损失函数进行了改进,以提高鱼类跟踪的准确率。首先,本章采用Res Ne Xt101替换Trans Track的骨干网络Res Net50,加深该算法骨干网络的层数,提高算法提取特征的能力,从而提高鱼类多目标跟踪的准确率;其次,引入Smooth L损失函数和DIo U损失函数来改进Trans Track算法中的损失函数,提高了模型收敛速度和精度,从而提高算法对鱼类追踪的准确率;最后,使用公共数据集的鱼类数据进行实验。实验结果显示,Fish Track方法MOTA和IDF1分别达到了79.3%和80.3%,IDs也明显降低,有效地提高了鱼类跟踪性能。(3)研发了基于Pytorch和Flask的鱼类检测与跟踪系统。在该系统中,部署了训练好的鱼类检测与跟踪模型对图片或视频中的鱼类进行识别。该系统使用Python语言,通过Pytorch框架与Flask框架编写代码。在系统中将用户上传的图片或视频文件保存到本地,并调用算法和加载模型对鱼类进行检测。该系统能够应用于水产养殖业中提高自动化水平。

关键词：鱼类检测鱼类跟踪多目标跟踪卷积神经网络深度学习

基于深度学习的水下光学视频中鱼类检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的水下光学视频中鱼类检测方法研究

作者：贾天雨哈尔滨工程大学

学位级别：硕士

随着人类对海洋探索的不断深入,越来越多的海洋物种被人类不断发现,相关海洋生物科研人员在进行鱼类研究时往往会通过人工的方式在漫长的海底监控视频中寻找某一种鱼类的身影,这无疑是浪费精力和时间的。本文基于深度学习并以水下光学... 详细信息

随着人类对海洋探索的不断深入,越来越多的海洋物种被人类不断发现,相关海洋生物科研人员在进行鱼类研究时往往会通过人工的方式在漫长的海底监控视频中寻找某一种鱼类的身影,这无疑是浪费精力和时间的。本文基于深度学习并以水下光学的鱼类监控视频作为数据集,对多种模型的目标检测算法进行了深入的研究。本文在获取视频数据后,建立了数据集并进行相应的分析,发现其中小目标及动态目标的占比少,这可能会使网络忽视小目标及动态目标的特征,从而导致网络整体的检测准确率偏低。为此本文提出了适应本数据集环境的边缘模糊方法用于对小目标进行数据集扩充,并使用动态模糊对运动目标进行数据集扩充。同时介绍了Mosaic数据增强方法的原理及步骤,阐述了其为网络模型带来的能力提升。随着本文需求从只考虑检测精准度到权衡检测精准度和实时性的改变,本文先后使用了Faster R-CNN、Yolov3及Yolov5三种网络模型。针对每种网络的优势和不足,本文进行了相应的验证和改进。对Faster R-CNN主要验证其精准度并作为对照组,而对Yolo系列目标检测算法本文主要提出了在满足实时性的要求下提高其检测精准度的方法。将Yolov3的Io U进行了相应的改进,使网络在训练时收敛更加快速,检测时精准度大幅提高。针对Yolov5主要在数据集扩充、重叠预测框剔除以及网络收敛速度三个方向进行了主要的改进。数据集扩充使整体数据中的小目标与中大目标占比更加平衡,增加运动目标数据提高了网络的鲁棒性,从而使网络在检测时的平均准确度大幅度提升。使用DIo U＿NMS对重叠预测框剔除工作进行了改进,使得网络在多目标重叠时,减少将多目标检测成一个目标的概率,并提高网络的召回率。使用Mosaic功能可以间接增加网络的批处理数目,并且可以使网络在更短的训练轮数中达到收敛。对鱼类检测系统进行了需求分析和整体设计,将后端目标检测模块算法确定为改进后的Yolov5网络,并利用文件系统进行数据存储和保存,并实现了前端界面。整个系统主要分为图像检测、视频文件检测和实时检测,经过联调测试后整个系统可以满足本文的基本需求。

关键词：图像处理鱼类检测数据扩充深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于RetinaNet的海洋鱼类检测算法

激光与光电子学进展 2023年第10期60卷 153-161页

作者：周迎峰张荣芬刘宇红李宽贵州大学大数据与信息工程学院贵州贵阳550025

为了更好地保护和利用海洋鱼类资源,需要对海洋鱼类进行有效监测,但海洋环境复杂,导致海洋鱼类的识别检测普遍存在检测精度不佳等问题。针对上述问题,本文提出一种基于RetinaNet改进的海洋鱼类检测算法。首先,用DenseNet-121替换Retina... 详细信息

为了更好地保护和利用海洋鱼类资源,需要对海洋鱼类进行有效监测,但海洋环境复杂,导致海洋鱼类的识别检测普遍存在检测精度不佳等问题。针对上述问题,本文提出一种基于RetinaNet改进的海洋鱼类检测算法。首先,用DenseNet-121替换RetinaNet原有的主干网络,减少参数量的同时保留了更多的鱼类图像特征。然后,在主干网络中引入卷积注意力模块,引导神经网络更有针对性地提取图像特征。其次,在原有的FPN网络中引入新的卷积层,使得改进后的PFPN网络能够融合更多尺度的图像特征。最后,在分类和回归网络中引入soft-NMS,有效改善了相同类别的鱼距离过近和相互遮挡造成的漏检问题。实验表明,提出算法的平均精度(mAP)达到92.12%,相比SSD等算法的检测效果有明显提高,相比原算法的mAP提升了4.71%,对于海洋鱼类具有较好的检测效果。

关键词：图像处理鱼类检测 RetinaNet DenseNet-121 卷积注意力模块 soft-NMS

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的海洋鱼类检测技术研究

基于深度学习的海洋鱼类检测技术研究

作者：邓权山东大学

学位级别：硕士

海洋鱼类检测是海洋资源开发利用的关键技术之一,如何准确、快速地识别海洋鱼类,对海洋资源保护和可持续开发有着不可或缺的研究意义。传统鱼类检测通常依赖人工特征设计以及机器学习分类完成,然而水下环境复杂多变,人工特征设计难度大... 详细信息

海洋鱼类检测是海洋资源开发利用的关键技术之一,如何准确、快速地识别海洋鱼类,对海洋资源保护和可持续开发有着不可或缺的研究意义。传统鱼类检测通常依赖人工特征设计以及机器学习分类完成,然而水下环境复杂多变,人工特征设计难度大,可移植性和鲁棒性差,难以满足实际需求。随着计算机科学的快速发展,深度学习被广泛应用于轨迹跟踪、生物检测等检测领域,大幅度提升了相关领域的检测精度。本文针对传统鱼类检测的不足,对深度学习目标检测进行了系统研究,并将其应用到海洋鱼类检测领域,主要研究内容和成果如下:1.以SSD检测算法为基本框架,分析了 SSD网络的原理与不足。针对SSD网络中浅层特征层感受野小,缺乏语义信息和上下文联系,导致网络对多尺度目标检测效果差的问题,提出了基于多尺度特征的SSD网络（FESSD）。FE SSD网络通过FPN结构和特征增强模块提高了网络的多尺度信息,增强网络上下文联系,提升检测模型对多尺度目标的检测准确率。FE SSD使用了卷积分解和分组卷积等技巧,保证网络能满足海洋鱼类检测对实时性的要求。2.分析了数据集中的数据分布不均匀问题,具体包括类别数据分布不均匀以及难分样本与易分样本之间的比例不均匀。针对类别数据分布不均匀问题,通过过采样均衡数据集,提高少数类对模型训练的贡献程度,进而提高FESSD网络对少数类的检测精度。针对难分样本问题,难分样本数量通常较少,但对于模型训练更重要,Focal loss通过提高对难分样本的重视程度,提高模型对数据集的检测效果。为了让Focal loss更好地融入FE SSD网络,本文通过大量实验确定了 Focal loss在FE SSD网络中的最优参数组合。最后通过综合实验证明了数据均衡方法能有效解决海洋鱼类数据集中的数据不均匀问题,提高FESSD网络对海洋鱼类的检测精度。3.为了满足实际检测的需求,基于MFC搭建了的海洋鱼类检测系统,具体包括图像采集、图像识别和效果展示模块。海洋鱼类检测系统操作便捷,能提高海洋鱼类检测的自动化进程。

关键词：鱼类检测多尺度特征金字塔特征增强数据不均匀

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的海洋鱼类目标检测识别研究

基于深度学习的海洋鱼类目标检测识别研究

作者：陈露露三峡大学

学位级别：硕士

随着计算机技术的日益发展,基于深度学习的鱼类检测算法在自动捕捞、海洋鱼类检测、智慧渔业等领域得到广泛应用。但在实际情况中,尤其是在水下拍摄环境,图片质量较差,存在太阳光照射不均、鱼类目标与背景环境相似度高、色彩和形状变形... 详细信息

随着计算机技术的日益发展,基于深度学习的鱼类检测算法在自动捕捞、海洋鱼类检测、智慧渔业等领域得到广泛应用。但在实际情况中,尤其是在水下拍摄环境,图片质量较差,存在太阳光照射不均、鱼类目标与背景环境相似度高、色彩和形状变形以及模糊不清等问题,导致鱼类自动检测极具挑战性。传统方法的鱼类检测识别需要手动提取特征,耗费大量的时间,检测结果也达不到预期效果。因此,借助深层卷积神经网络(DCNN)在机器视觉领域的优势,本文基于深度学习方法开展针对复杂环境下海洋鱼类目标检测识别技术的研究,主要研究包括:(1)针对海洋鱼类数据集缺乏的问题,构建了一个包含不同场景下拍摄的鱼类数据的数据集。该数据集一共包含13k张图片,一部分采集自中国南海海域,另一部分来自网上公开的数据集,并对其进行了人工转换、筛选和校对标注等处理,得到最终的图像数据集。本文构建的鱼类检测数据集拍摄环境复杂多样,需要神经网络更好地处理不同的光照、背景、鱼类种类等因素带来的负面影响,进一步考验了模型的泛化能力。(2)本文以目前性能较强的单阶段目标检测网络YOLOv5s作为基础网络,在其基础上融合注意力机制和正则化方法,优化的网络相比原始网络精度和速度都获得较大提升。首先,在YOLOv5s的骨干和颈部网络中加入空间注意力机制和通道注意力机制,提高网络的特征提取能力。其次,针对数据集中存在的不同大小的鱼类目标与初始锚框不匹配的问题,采用K-Means聚类方法对三种尺寸的数据集分别重新进行聚类,得到更为合理的锚框,提高检测精度。最后,采用Drop Block正则化方法缓解网络训练过程中的过拟合问题,使网络更充分学习特征信息。(3)针对注意力机制感受野受限、难训练和解释性差的问题,本文分别从增大感受野、数据增强、提升CNN性能三个角度出发,提出了更易于解释且性能更强的基于膨胀卷积和参数重构的鱼类目标检测方法。首先,引入三分支和四分支融合卷积结构,通过多分支膨胀卷积提升YOLOv5s的感受野。然后,再引入Mixup数据增强方法,改善模型对互相遮挡的鱼类目标检测效果差的问题。最后,利用参数重构方法,将网络中的BN层融合成普通卷积模块,并将网络中的每个3×3的卷积替换为经改进的Rep VGG结构,使得模型在训练时使用较复杂的结构,在推理时能够对多余分支进行重参数化,实现网络在不引入额外消耗下继承初始模型的性能。经过消融实验和对比实验,本文提出的算法在不影响推理速度的前提下实现了更高的检测精度。本文设计的基于YOLOv5s的鱼类检测方法能够快速精准检测海洋鱼类目标,为基于计算机视觉的鱼类目标检测方法提供了可靠的理论方法。在本文搜集的数据集上,获得了83.1%的m AP(平均准确率),处理速度达到100FPS,具有较高的实用价值。

关键词：深度学习图像处理鱼类检测 YOLOv5 参数重构

基于Faster R-CNN和图像增强的水下鱼类目标检测方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

大连海洋大学学报 2020年第4期35卷 612-619页

作者：袁红春张硕上海海洋大学信息学院上海201306

为了克服水下鱼类图像样本量不足及实现对水下低清晰度图像中鱼类的快速检测,提出了一种基于Faster R-CNN二次迁移学习和带色彩恢复的多尺度视网膜增强算法(MSRCR)的方法,首先通过ImageNet预训练模型对Open Images高清鱼类数据集进行一... 详细信息

为了克服水下鱼类图像样本量不足及实现对水下低清晰度图像中鱼类的快速检测,提出了一种基于Faster R-CNN二次迁移学习和带色彩恢复的多尺度视网膜增强算法(MSRCR)的方法,首先通过ImageNet预训练模型对Open Images高清鱼类数据集进行一次迁移学习初步训练网络,然后固定检测模型低3层的卷积网络参数,再用水下拍摄的小规模鱼类数据集进行二次迁移学习微调网络,最后通过MSRCR算法对水下拍摄图像进行处理以增强其与高清鱼类图像的相似性,解决水下图像降质问题,让二次迁移学习高效进行。结果表明,该方法利用小规模水下拍摄鱼类数据集训练出的网络查准率可达到98.12%,网络检测能力及后续提升能力优于传统机器学习方法,并能够实现鱼类目标的快速检测,本研究结果可为深海探测作业与海底鱼类等生物资源的监测、保护和可持续开发等工程应用提供一定的参考。

关键词：深度学习鱼类检测 Faster R-CNN算法 MSRCR算法迁移学习

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的水下鱼类图像增强及检测研究

基于深度学习的水下鱼类图像增强及检测研究

作者：赵振锡华东交通大学

学位级别：硕士

从水下视频和图像中自动探测和识别鱼类目标对于评估渔业资源、生态环境监测等具有重要意义。但由于水下图像存在着低光照、水体浑浊、海床背景复杂、鱼类姿态多样、目标尺寸变化大、分辨率和对比度低等问题,传统的手工设计特征提取和... 详细信息

从水下视频和图像中自动探测和识别鱼类目标对于评估渔业资源、生态环境监测等具有重要意义。但由于水下图像存在着低光照、水体浑浊、海床背景复杂、鱼类姿态多样、目标尺寸变化大、分辨率和对比度低等问题,传统的手工设计特征提取和单纯使用基于CNN的目标检测等算法并不能满足真实水下检测需求。在实现水下鱼类目标检测过程中,首先需要解决水下低分辨率、低质量的鱼类图像问题,以及在得到重建的高分辨率鱼类图像后,鱼类目标检测问题。本文围绕水下鱼类目标检测的主要技术难点开展研究:(1)针对水下的图像具有相对较低的分辨率和对比度问题,本文利用残差密集网络学习,提出了基于改进对抗神经网络的图像超分辨率重建方法。首先,在Re LU激活前,使用1×1的卷积层将特征通道数扩大至6-9倍,提高了浅层信息的利用率。其次,使用相对论平均判别器替代标准判别器,增强识别网络的真伪辨别能力。最后,改进感知域损失函数,使用激活前的VGG特征,为亮度一致性和纹理恢复提供了更强的监控。实验结果表明:本算法提高了深层网络中浅层信息的利用率。在每层特征图像的PSNR和SSIM评价下,浅层信息利用率整体分别提高15.34%和105.52%。其图片测试平均时间为0.42秒/张,相对于传统方法速度提高了近3.6倍。重建图片的平均NIQE值为3.4,感知质量最高。(2)针对复杂水下环境的鱼类检测问题,本文提出了一种复合主干网络两阶段目标检测网络Composite Backbone and Enhanced Path Aggregation Network(CBEPANet)。通过改进Res Net主干网络,设计了一种新复合主干网络Cbresnet,用于学习由于图像亮度差、图像中鱼的方位、海底结构、水生植物的移动以及鱼种形状和纹理的差异而造成的场景变化信息(源域风格),从而减少了水下环境信息对目标物体特征的干扰,并强化了主干网络对目标信息的输出。此外,为了更好地将Cbresnet输出的高低特征信息融合,还改进并设计了一种EPANet,解决了线性上采样方式带来的语义信息利用不足问题。实验结果表明:在使用MS-COCO数据集的AP和AR等指标评价下,提出的CBEPANet网络的AP(Average Precision)、AP和AR分别为75.2%、92.8%和81.1%。复合主干网络增强了检测对象的特征信息输出,提高了特征信息的利用。

关键词：鱼类检测复合主干网络对抗神经网络水下图像超分辨率残差块

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

水下低光图像鱼类目标检测与识别算法研究

水下低光图像鱼类目标检测与识别算法研究

作者：钟敏慧北京交通大学

学位级别：硕士

随着国家对海洋资源的日益重视,运用现代海洋信息技术,建立现代海洋产业体系已成为国家的重要举措之一。鱼类作为海洋生物资源中分布最为广泛和最具代表性的生物,也成为国内外学者的重要研究对象。在海洋鱼类调查研究中,鱼类的检测、识... 详细信息

随着国家对海洋资源的日益重视,运用现代海洋信息技术,建立现代海洋产业体系已成为国家的重要举措之一。鱼类作为海洋生物资源中分布最为广泛和最具代表性的生物,也成为国内外学者的重要研究对象。在海洋鱼类调查研究中,鱼类的检测、识别是基础性的环节。然而,受水下特殊成像环境的限制,水下图像存在对比度低、颜色失真、光照不均等质量退化现象,导致图像细节丢失,自动化分析困难;此外,鱼类形态各异,尺寸不一,种类繁多且差异细微,给检测和识别带来了严峻的挑战。为了克服上述困难,恢复水下图像质量,实现低质水下图像中鱼类的精准、稳定的检测和识别,本文主要研究成果如下:（1）针对水下图像中鱼类细节模糊、小目标难以检测等问题,提出了一种基于难样本挖掘的水下鱼类目标检测算法,通过由粗到精的两阶段检测策略,有效实现了召回率与精确率的平衡;为降低鱼类形变对检测造成的影响,提出一种双路Faster RCNN检测网络,创新性地引入距离变换图像,将轮廓信息作为辅助特征,从而实现难样本的检测。通过在本文构建的数据集上进行实验,验证了算法的有效性;（2）针对水下低光图像存在的照明不足、光照不均、对比度低等问题,提出了一种新颖的面向水下低光图像增强的光照解析模型。受朗伯-比尔定律的启发,提出光照解析网络（Illumination Parsing Network,IP-Net）实现对水下光照衰减的估计;针对缺乏成对训练数据的问题,提出了一种基于色彩迁移的自参考成对图像生成方法,较好地模拟了水下实际光照条件。最后通过在真实图像上进行大量的对比实验及目标检测实验,验证了本文方法能在增强视觉感知效果的同时提高下游视觉任务性能;（3）针对鱼类识别中存在的类间相似度高、类内差异性大的问题,提出一种基于双线性网络的细粒度鱼类识别算法。通过双线性操作融合两路特征,以同时捕获不同语义特征之间的关系,得到更为有效的特征表示;此外,为进一步扩大特征空间中的类间差异性,提高类内紧凑性,本文引入三元组损失,协同交叉熵分类损失一同优化网络,提升了双线性网络的识别准确率。

关键词：水下低光图像增强成对数据生成鱼类检测细粒度识别深度学习