【摘要】：在海洋科學領域,珊瑚礁魚類檢測與識別對海洋生態(tài)監(jiān)控、瀕臨滅絕的海洋物種保護等起到非常關鍵的作用。研究表明:珊瑚礁魚的種類、數(shù)量和活動痕跡是否豐富直接反映了珊瑚礁生態(tài)系統(tǒng)的健康和生物多樣性程度。目前,隨著全球大多數(shù)珊瑚礁生態(tài)系統(tǒng)的顯著退化,這一研究課題已經得到了廣泛的重視。在水下生態(tài)監(jiān)測和生物多樣性監(jiān)測日益增長的需求推動下,借助先進的成像系統(tǒng)收集更多與海洋有關的多媒體數(shù)據(jù)并進行有效的分析已經成為海洋科學領域面臨的問題。目前全球多個國家和地區(qū)都已經在典型珊瑚礁水域部署了水下視頻監(jiān)控系統(tǒng),來實現(xiàn)對珊瑚礁附近的生物多樣性、生態(tài)系統(tǒng)健康狀況等進行數(shù)據(jù)采集和監(jiān)控。與此同時大量的水下視頻監(jiān)控系統(tǒng)也產生了大量珊瑚礁魚類活動影像。對這些數(shù)據(jù)進行分析和整理通常需要人類觀察者非常耗時的投入,并且需要專家級別的知識,這些問題使得對水下視頻數(shù)據(jù)的分析和利用受到了極大的限制。因此,迫切需要自動化的分析技術,來輔助海洋生物學家利用指數(shù)增加的水下數(shù)據(jù)分析水下圖像中的內容。本文針對水下珊瑚礁區(qū)域的魚類檢測與識別進行研究,取得了以下研究成果:首先,提出了一種基于特征融合的珊瑚礁魚類檢測與識別方法FFDet。它是一種基于全卷積神經網(wǎng)絡的珊瑚礁魚類檢測深度學習方法,由SSD的主干網(wǎng)絡組成。但與SSD不同,它將具有詳細上下文信息的淺層特征與具有豐富高級語義信息的深層特征進行融合,使用融合后的增強特征進行預測,同時使用來自多個層的特征進行不同大小魚的檢測與識別。在SeaCLEF數(shù)據(jù)集的實驗結果表明:FFDet不僅在性能上優(yōu)于SSD,在檢測性能和速度方面也優(yōu)于另外兩種流行的端到端深度模型,特別是在大型魚類檢測上整體表現(xiàn)更好。其次,提出了一種融合光流信息的珊瑚礁魚類檢測方法FTDet。在水下視頻場景中,受到珊瑚礁魚類姿態(tài)變化、運動模糊、光照不均勻、遮擋等問題的影響,使得在一些視頻圖像中珊瑚礁魚的外觀發(fā)生了明顯的退化,這種明顯的外觀退化導致部分珊瑚礁魚類難以被檢測或識別。FTDet通過從相鄰視頻圖像之間提取光流信息,然后將當前視頻圖像與通過光流傳播過來的視頻圖像進行融合,來實現(xiàn)對當前視頻圖像中目標外觀信息的增強,從而實現(xiàn)更好的檢測效果。在SeaCLEF數(shù)據(jù)集的實驗結果表明:FTDet能夠具有更好的檢測效果。
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：S932.4;TP18
【圖文】：

目標檢測一直是機器視覺領域最具有挑戰(zhàn)性的問題。目前大多數(shù)的目標檢測任務逡逑除了定位目標的位置與大小之外還需要判別目標所屬的種類，這又增加了目標檢逡逑測的挑戰(zhàn)。如圖１－３所示，我們展示了同一物體“椅子”的不同圖片，雖然它們都逡逑屬于“椅子”這一類別但是卻在外觀上有很大差異，這種差異導致了非常大的類逡逑內距離，目標識別器很難將它們識別為５—物體。邐邐逡逑圖１－３不同椅子的圖片逡逑Ｆｉｇｕｒｅ邋１－３邋Ｐｉｃｔｕｒｅｓ邋ｏｆ邋ｄｉｆｆｅｒｅｎｔ邋ｃｈａｉｒｓ逡逑目前基于深度學習的目標檢測方法從檢測原理上分為一階段目標檢測方法和逡逑二階段目標檢測方法。逡逑一階段目標檢測方法通常通過對物體位置、大小和長寬比進行常規(guī)和密集的逡逑采樣來檢測目標。這種方法首先在特征圖的每個位置上根據(jù)不同的大小和長寬比逡逑預定義固定數(shù)量的默認框，然后對默認框的中心位置和長寬進行回歸，并對每個逡逑默認框包含的物體進行分類。這樣做的主要優(yōu)點是它的計算效率很高，然而它的逡逑檢測精度通常低于在兩階段方法，其中主要原因之一是類不平衡的問題，預定義逡逑的默認框中大部分都是背景，而前景區(qū)域只占其中很小的一部分。典型的一階段逡逑的目標檢測算法有邋ＹＯＬＯ邋（Ｙｏｕ邋Ｏｎｌｙ邋Ｌｏｏｋ邋Ｏｎｃｅ）邋Ｉ５］、ＳＳＤ邋（Ｓｉｎｇｌｅ邋Ｓｈｏｔ邋ＭｕｌｔｉＢｏｘ逡逑Ｄｅｔｅｃｔｏｒ）間、ＤＳＳＤ邋（Ｄｅｃｏｎｖｏｌｕｔｉｏｎａｌ邋Ｓｉｎｇｌｅ邋Ｓｈｏｔ邋Ｄｅｔｅｃｔｏｒ）邋等。逡逑二階段的目標檢測方法通常包含兩個網(wǎng)絡，一個候選區(qū)域生成網(wǎng)絡和一個檢逡逑測和識別網(wǎng)絡

圖２－１邋Ｒ－ＣＮＮ方法框架逡逑Ｆｉｇｕｒｅ邋２－１邋Ｔｈｅ邋ａｒｃｈｉｔｅｃｔｕｒｅ邋ｏｆ邋Ｒ－ＣＮＮ逡逑Ｒ－ＣＮＮ是深度學習在目標檢測領域的首次應用，其具體過程如圖２－１所示。逡逑它首先使用Ｓｅｌｅｃｔｉｖｅ邋ＳｅａｒｃｈＭ＊法從一張圖像里提取大量的候選框，每張圖像大逡逑１）逡逑

【參考文獻】

相關期刊論文 前1條

1 李永振;史峗榮;艾紅;董麗娜;李娜娜;李夏;高天翔;;南海珊瑚礁海域魚類分類多樣性大尺度分布格局[J];中國水產科學;2011年03期

本文編號：2713557