典型文献
基于FML-Centernet算法的鱼类识别检测
文献摘要：
在鱼类识别检测技术中,采用anchor-free算法中的Centernet算法对鱼类进行识别检测时,低层特征信息容易丢失,导致识别精度和识别效率降低.为此,提出了一种基于 Feature fusion Module and Loss function optimization of Centernet(FML-Centernet)算法的鱼类识别检测算法.在Centernet算法网络结构中引入特征融合模块将低层特征信息和高层特征信息融合,输出更加完整的特征图,提高识别检测精度;设置参数调节正负样本的损失比例,使得网络模型的损失函数得到优化,提高整个模型的识别检测效率.在PASCALVOC数据集中对所提算法进行有效性的验证,并对网络结构的性能进行分析.收集大量的目标数据集以及标注数据集信息,训练优化的网络结构并与不同的模型进行对比分析.实验结果表明,FML-Centemet算法对鱼类进行识别检测时,识别平均精度(AP50)可以达到85％以上,平均检测时间低于100ms.所提算法不仅识别检测精度较高,而且识别检测效率也得到了提升.
文献关键词：
机器视觉;鱼类识别检测;Centernet算法;特征提取;特征融合;优化损失函数
中图分类号：
作者姓名：
刘雨青;王亚茹;黄璐瑶
作者机构：
上海海洋大学工程学院,上海201306;上海海洋可再生能源工程技术研究中心,上海201306
文献出处：
引用格式：
[1]刘雨青;王亚茹;黄璐瑶-.基于FML-Centernet算法的鱼类识别检测)[J].激光与光电子学进展,2022(16):307-314
A类：
鱼类识别检测,PASCALVOC,Centemet
B类：
FML,Centernet,anchor,free,低层,识别精度,Feature,fusion,Module,Loss,function,optimization,检测算法,法网,特征融合模块,特征信息融合,加完,特征图,检测精度,设置参数,参数调节,正负样本,损失比,检测效率,AP50,检测时间,100ms,机器视觉,优化损失函数
AB值：
0.286089
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。
