典型文献
基于MFCC和ResNet的鱼类行为识别
文献摘要：
针对在极暗或无光条件下,采用计算机视觉手段进行鱼类行为识别效果不好的问题,本文提出了利用声音信号识别鱼类行为的方法;通过观察和试验发现鱼类的摄食、游泳等行为具有声音差异小、特征学习难等特点,基于上述发现,提出采用具有较强特征表达能力、能区别细微特征的MFCC(Mel-frequency cepstral coefficient,MFCC)特征系数表示鱼类行为声音信号特征.为有效学习不同鱼类行为的细粒度声音特征,采用残差网络(Residual Neural Network,ResNet)进行低维细节特征与高维语义特征融合,以便更好地保证特征完整性、提高识别效果.为验证所提出方法的有效性,设计了 3组对比试验,用大连海洋大学鱼类行为学实验室采集的数据验证了算法的有效性,试验结果表明,鱼类行为识别的正确率、召回率和F1值均达到99％.研究表明,基于MFCC和ResNet的鱼类行为识别方法可以有效识别鱼类的游泳、摄食等行为,为鱼类行为识别研究提供了新思路和新方法.
文献关键词：
鱼类;行为识别;被动水声信号;ResNet;MFCC
中图分类号：
作者姓名：
胥婧雯;于红;李海清;程思奇;郑国伟;谷立帅;李响;龚德华;邢彬彬;殷雷明
作者机构：
大连海洋大学信息工程学院 大连116023;设施渔业教育部重点实验室(大连海洋大学)大连116023;辽宁省海洋信息技术重点实验室 大连116023;大连海洋大学水产与生命学院 大连116023
文献出处：
引用格式：
[1]胥婧雯;于红;李海清;程思奇;郑国伟;谷立帅;李响;龚德华;邢彬彬;殷雷明-.基于MFCC和ResNet的鱼类行为识别)[J].海洋信息技术与应用,2022(01):21-27
A类：
被动水声信号
B类：
MFCC,ResNet,行为识别,无光,计算机视觉,声音信号,信号识别,通过观察,摄食,游泳,有声,特征学习,特征表达,表达能力,细微特征,Mel,frequency,cepstral,coefficient,特征系数,信号特征,有效学习,细粒度,残差网络,Residual,Neural,Network,低维,细节特征,高维,维语,语义特征融合,海洋大学,鱼类行为学,行为学实验,数据验证,召回率
AB值：
0.343157
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
