【摘要】：在海洋科學(xué)領(lǐng)域,珊瑚礁魚類檢測(cè)與識(shí)別對(duì)海洋生態(tài)監(jiān)控、瀕臨滅絕的海洋物種保護(hù)等起到非常關(guān)鍵的作用。研究表明:珊瑚礁魚的種類、數(shù)量和活動(dòng)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(jīng)得到了廣泛的重視。在水下生態(tài)監(jiān)測(cè)和生物多樣性監(jiān)測(cè)日益增長的需求推動(dòng)下,借助先進(jìn)的成像系統(tǒng)收集更多與海洋有關(guān)的多媒體數(shù)據(jù)并進(jìn)行有效的分析已經(jīng)成為海洋科學(xué)領(lǐng)域面臨的問題。目前全球多個(gè)國家和地區(qū)都已經(jīng)在典型珊瑚礁水域部署了水下視頻監(jiān)控系統(tǒng),來實(shí)現(xiàn)對(duì)珊瑚礁附近的生物多樣性、生態(tài)系統(tǒng)健康狀況等進(jìn)行數(shù)據(jù)采集和監(jiān)控。與此同時(shí)大量的水下視頻監(jiān)控系統(tǒng)也產(chǎn)生了大量珊瑚礁魚類活動(dòng)影像。對(duì)這些數(shù)據(jù)進(jìn)行分析和整理通常需要人類觀察者非常耗時(shí)的投入,并且需要專家級(jí)別的知識(shí),這些問題使得對(duì)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(dòng)化的分析技術(shù),來輔助海洋生物學(xué)家利用指數(shù)增加的水下數(shù)據(jù)分析水下圖像中的內(nèi)容。本文針對(duì)水下珊瑚礁區(qū)域的魚類檢測(cè)與識(shí)別進(jìn)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(cè)與識(shí)別方法FFDet。它是一種基于全卷積神經(jīng)網(wǎng)絡(luò)的珊瑚礁魚類檢測(cè)深度學(xué)習(xí)方法,由SSD的主干網(wǎng)絡(luò)組成。但與SSD不同,它將具有詳細(xì)上下文信息的淺層特征與具有豐富高級(jí)語義信息的深層特征進(jìn)行融合,使用融合后的增強(qiáng)特征進(jìn)行預(yù)測(cè),同時(shí)使用來自多個(gè)層的特征進(jìn)行不同大小魚的檢測(cè)與識(shí)別。在SeaCLEF數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明:FFDet不僅在性能上優(yōu)于SSD,在檢測(cè)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(cè)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(cè)方法FTDet。在水下視頻場(chǎng)景中,受到珊瑚礁魚類姿態(tài)變化、運(yùn)動(dòng)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(dǎo)致部分珊瑚礁魚類難以被檢測(cè)或識(shí)別。FTDet通過從相鄰視頻圖像之間提取光流信息,然后將當(dāng)前視頻圖像與通過光流傳播過來的視頻圖像進(jìn)行融合,來實(shí)現(xiàn)對(duì)當(dāng)前視頻圖像中目標(biāo)外觀信息的增強(qiáng),從而實(shí)現(xiàn)更好的檢測(cè)效果。在SeaCLEF數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明:FTDet能夠具有更好的檢測(cè)效果。
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：S932.4;TP18
【圖文】：

目標(biāo)檢測(cè)一直是機(jī)器視覺領(lǐng)域最具有挑戰(zhàn)性的問題。目前大多數(shù)的目標(biāo)檢測(cè)任務(wù)逡逑除了定位目標(biāo)的位置與大小之外還需要判別目標(biāo)所屬的種類，這又增加了目標(biāo)檢逡逑測(cè)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(dǎo)致了非常大的類逡逑內(nèi)距離，目標(biāo)識(shí)別器很難將它們識(shí)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(xué)習(xí)的目標(biāo)檢測(cè)方法從檢測(cè)原理上分為一階段目標(biāo)檢測(cè)方法和逡逑二階段目標(biāo)檢測(cè)方法。逡逑一階段目標(biāo)檢測(cè)方法通常通過對(duì)物體位置、大小和長寬比進(jìn)行常規(guī)和密集的逡逑采樣來檢測(cè)目標(biāo)。這種方法首先在特征圖的每個(gè)位置上根據(jù)不同的大小和長寬比逡逑預(yù)定義固定數(shù)量的默認(rèn)框，然后對(duì)默認(rèn)框的中心位置和長寬進(jìn)行回歸，并對(duì)每個(gè)逡逑默認(rèn)框包含的物體進(jìn)行分類。這樣做的主要優(yōu)點(diǎn)是它的計(jì)算效率很高，然而它的逡逑檢測(cè)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(yù)定義逡逑的默認(rèn)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(biāo)檢測(cè)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(biāo)檢測(cè)方法通常包含兩個(gè)網(wǎng)絡(luò)，一個(gè)候選區(qū)域生成網(wǎng)絡(luò)和一個(gè)檢逡逑測(cè)和識(shí)別網(wǎng)絡(luò)

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(xué)習(xí)在目標(biāo)檢測(cè)領(lǐng)域的首次應(yīng)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(xiàn)】

相關(guān)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(chǎn)科學(xué);2011年03期

本文編號(hào)：2713557