针对小目标水漂垃圾形态多变、分辨率低且信息有限,导致检测效果不理想的问题,提出一种改进的Faster-RCNN(Faster Regions with Convolutional Neural Network)水漂垃圾检测算法MP-Faster-RCNN(Faster-RCNN with Multi-scale feature an...针对小目标水漂垃圾形态多变、分辨率低且信息有限,导致检测效果不理想的问题,提出一种改进的Faster-RCNN(Faster Regions with Convolutional Neural Network)水漂垃圾检测算法MP-Faster-RCNN(Faster-RCNN with Multi-scale feature and Polarized self-attention)。首先,建立黄河兰州段小目标水漂垃圾数据集,将空洞卷积结合ResNet-50代替原来的VGG-16(Visual Geometry Group 16)作为主干特征提取网络,扩大感受野以提取更多小目标特征;其次,在区域生成网络(RPN)利用多尺度特征,设置3×3和1×1的两层卷积,补偿单一滑动窗口造成的特征丢失;最后,在RPN前加入极化自注意力,进一步利用多尺度和通道特征提取更细粒度的多尺度空间信息和通道间依赖关系,生成具有全局特征的特征图,实现更精确的目标框定位。实验结果表明,MP-Faster-RCNN能有效提高水漂垃圾检测精度,与原始Faster-RCNN相比,平均精度均值(mAP)提高了6.37个百分点,模型大小从521 MB降到了108 MB,且在同一训练批次下收敛更快。展开更多
针对海洋牧场观测视频色彩失真和鱼类传统识别方法准确率低的问题,提出一种基于Faster-RCNN的海洋牧场鱼类识别与分类方法。首先,由于海水环境的特殊性和复杂性导致观测视频图像品质差,采用SDI(Serial Digital Interface)信号色彩补偿...针对海洋牧场观测视频色彩失真和鱼类传统识别方法准确率低的问题,提出一种基于Faster-RCNN的海洋牧场鱼类识别与分类方法。首先,由于海水环境的特殊性和复杂性导致观测视频图像品质差,采用SDI(Serial Digital Interface)信号色彩补偿系统来提高视频品质以此制作不同质量数据集;然后以Faster-RCNN为深度学习模型并提出优化特征提取网络与区域建议网络(RPN)来实现海洋牧场鱼类识别与分类。实验结果表明,该方法平均精度均值(Mean Average Precision,mAP)达到81.63%,与传统机器学习目标检测算法相比,显著提高了识别的准确率。展开更多
文摘针对小目标水漂垃圾形态多变、分辨率低且信息有限,导致检测效果不理想的问题,提出一种改进的Faster-RCNN(Faster Regions with Convolutional Neural Network)水漂垃圾检测算法MP-Faster-RCNN(Faster-RCNN with Multi-scale feature and Polarized self-attention)。首先,建立黄河兰州段小目标水漂垃圾数据集,将空洞卷积结合ResNet-50代替原来的VGG-16(Visual Geometry Group 16)作为主干特征提取网络,扩大感受野以提取更多小目标特征;其次,在区域生成网络(RPN)利用多尺度特征,设置3×3和1×1的两层卷积,补偿单一滑动窗口造成的特征丢失;最后,在RPN前加入极化自注意力,进一步利用多尺度和通道特征提取更细粒度的多尺度空间信息和通道间依赖关系,生成具有全局特征的特征图,实现更精确的目标框定位。实验结果表明,MP-Faster-RCNN能有效提高水漂垃圾检测精度,与原始Faster-RCNN相比,平均精度均值(mAP)提高了6.37个百分点,模型大小从521 MB降到了108 MB,且在同一训练批次下收敛更快。
文摘针对海洋牧场观测视频色彩失真和鱼类传统识别方法准确率低的问题,提出一种基于Faster-RCNN的海洋牧场鱼类识别与分类方法。首先,由于海水环境的特殊性和复杂性导致观测视频图像品质差,采用SDI(Serial Digital Interface)信号色彩补偿系统来提高视频品质以此制作不同质量数据集;然后以Faster-RCNN为深度学习模型并提出优化特征提取网络与区域建议网络(RPN)来实现海洋牧场鱼类识别与分类。实验结果表明,该方法平均精度均值(Mean Average Precision,mAP)达到81.63%,与传统机器学习目标检测算法相比,显著提高了识别的准确率。
