典型文献
水族馆鱼类目标检测网络优化研究
文献摘要：
基于深度学习的目标检测与识别在渔业养殖的应用中,存在数据集质量低,网络计算复杂度高、推理速度慢等问题,不易满足高实时性应用场景.本研究收集并标注83种水族馆鱼类的10042张图像数据集,在保证目标检测和识别能力、降低网络计算复杂度、提高推理速度的情况下,探究网络的优化方法.利用"深度可分离卷积"重新设计YoloV4网络的主干网络(backbone)对比Mixup、Cutmix、Mosaic等不同数据增强方式及Mish、Swish、ELU等不同激活函数对网络的优化效果.根据对比结果择优选择数据增强方式、激活函数的组合用于优化网络.结果显示:根据该方法优化的网络在测试集上的预测精确率达到94.37％,计算复杂度(BFLOPS)仅为5.47,相较YoloV4降低了93.99％.研究表明,本研究优化网络的方法,能够在保证检测与识别精确率的前提下,大幅降低网络计算复杂度、提高推理速度,为高实时性应用场景的鱼类目标检测与识别提供了参考.
文献关键词：
目标检测;目标识别;深度学习;Yolo网络;数据增强;网络优化
中图分类号：
作者姓名：
刘洋;张胜茂;王书献;王斐;樊伟;邹国华;伯静
作者机构：
上海海洋大学信息学院,上海201306;中国水产科学研究院东海水产研究所,农业农村部渔业遥感重点实验室,上海200090;上海峻鼎渔业科技有限公司,上海200090;武汉纺织大学经济学院,湖北,武汉430200
文献出处：
引用格式：
[1]刘洋;张胜茂;王书献;王斐;樊伟;邹国华;伯静-.水族馆鱼类目标检测网络优化研究)[J].渔业现代化,2022(03):89-98
A类：
鱼类目标检测,Cutmix,BFLOPS
B类：
水族馆,目标检测网络,网络优化,目标检测与识别,渔业养殖,计算复杂度,推理速度,速度慢,高实时性,图像数据集,检测和识别,识别能力,深度可分离卷积,重新设计,YoloV4,主干网络,backbone,Mixup,Mosaic,数据增强,Mish,Swish,ELU,激活函数,优化效果,择优,方法优化,测试集,精确率,研究优化,目标识别
AB值：
0.328607
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。
