基于深度学习的珊瑚礁鱼类检测与识别研究

发布时间：2020-06-14 23:55

【摘要】：在海洋科学领域,珊瑚礁鱼类检测与识别对海洋生态监控、濒临灭绝的海洋物种保护等起到非常关键的作用。研究表明:珊瑚礁鱼的种类、数量和活动痕迹是否丰富直接反映了珊瑚礁生态系统的健康和生物多样性程度。目前,随着全球大多数珊瑚礁生态系统的显著退化,这一研究课题已经得到了广泛的重视。在水下生态监测和生物多样性监测日益增长的需求推动下,借助先进的成像系统收集更多与海洋有关的多媒体数据并进行有效的分析已经成为海洋科学领域面临的问题。目前全球多个国家和地区都已经在典型珊瑚礁水域部署了水下视频监控系统,来实现对珊瑚礁附近的生物多样性、生态系统健康状况等进行数据采集和监控。与此同时大量的水下视频监控系统也产生了大量珊瑚礁鱼类活动影像。对这些数据进行分析和整理通常需要人类观察者非常耗时的投入,并且需要专家级别的知识,这些问题使得对水下视频数据的分析和利用受到了极大的限制。因此,迫切需要自动化的分析技术,来辅助海洋生物学家利用指数增加的水下数据分析水下图像中的内容。本文针对水下珊瑚礁区域的鱼类检测与识别进行研究,取得了以下研究成果:首先,提出了一种基于特征融合的珊瑚礁鱼类检测与识别方法FFDet。它是一种基于全卷积神经网络的珊瑚礁鱼类检测深度学习方法,由SSD的主干网络组成。但与SSD不同,它将具有详细上下文信息的浅层特征与具有丰富高级语义信息的深层特征进行融合,使用融合后的增强特征进行预测,同时使用来自多个层的特征进行不同大小鱼的检测与识别。在SeaCLEF数据集的实验结果表明:FFDet不仅在性能上优于SSD,在检测性能和速度方面也优于另外两种流行的端到端深度模型,特别是在大型鱼类检测上整体表现更好。其次,提出了一种融合光流信息的珊瑚礁鱼类检测方法FTDet。在水下视频场景中,受到珊瑚礁鱼类姿态变化、运动模糊、光照不均匀、遮挡等问题的影响,使得在一些视频图像中珊瑚礁鱼的外观发生了明显的退化,这种明显的外观退化导致部分珊瑚礁鱼类难以被检测或识别。FTDet通过从相邻视频图像之间提取光流信息,然后将当前视频图像与通过光流传播过来的视频图像进行融合,来实现对当前视频图像中目标外观信息的增强,从而实现更好的检测效果。在SeaCLEF数据集的实验结果表明:FTDet能够具有更好的检测效果。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S932.4;TP18
【图文】：

特征图,椅子,图片

目标检测一直是机器视觉领域最具有挑战性的问题。目前大多数的目标检测任务逡逑除了定位目标的位置与大小之外还需要判别目标所属的种类，这又增加了目标检逡逑测的挑战。如图１－３所示，我们展示了同一物体“椅子”的不同图片，虽然它们都逡逑属于“椅子”这一类别但是却在外观上有很大差异，这种差异导致了非常大的类逡逑内距离，目标识别器很难将它们识别为５—物体。逦逦逡逑图１－３不同椅子的图片逡逑Ｆｉｇｕｒｅ邋１－３邋Ｐｉｃｔｕｒｅｓ邋ｏｆ邋ｄｉｆｆｅｒｅｎｔ邋ｃｈａｉｒｓ逡逑目前基于深度学习的目标检测方法从检测原理上分为一阶段目标检测方法和逡逑二阶段目标检测方法。逡逑一阶段目标检测方法通常通过对物体位置、大小和长宽比进行常规和密集的逡逑采样来检测目标。这种方法首先在特征图的每个位置上根据不同的大小和长宽比逡逑预定义固定数量的默认框，然后对默认框的中心位置和长宽进行回归，并对每个逡逑默认框包含的物体进行分类。这样做的主要优点是它的计算效率很高，然而它的逡逑检测精度通常低于在两阶段方法，其中主要原因之一是类不平衡的问题，预定义逡逑的默认框中大部分都是背景，而前景区域只占其中很小的一部分。典型的一阶段逡逑的目标检测算法有邋ＹＯＬＯ邋（Ｙｏｕ邋Ｏｎｌｙ邋Ｌｏｏｋ邋Ｏｎｃｅ）邋Ｉ５］、ＳＳＤ邋（Ｓｉｎｇｌｅ邋Ｓｈｏｔ邋ＭｕｌｔｉＢｏｘ逡逑Ｄｅｔｅｃｔｏｒ）间、ＤＳＳＤ邋（Ｄｅｃｏｎｖｏｌｕｔｉｏｎａｌ邋Ｓｉｎｇｌｅ邋Ｓｈｏｔ邋Ｄｅｔｅｃｔｏｒ）邋等。逡逑二阶段的目标检测方法通常包含两个网络，一个候选区域生成网络和一个检逡逑测和识别网络

候选框,目标检测,图像,过程

图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是深度学习在目标检测领域的首次应用，其具体过程如图２－１所示。逡逑它首先使用Ｓｅｌｅｃｔｉｖｅ邋ＳｅａｒｃｈＭ＊法从一张图像里提取大量的候选框，每张图像大逡逑１）逡逑

【参考文献】