基于空间变换双线性网络的细粒度鱼类图像分类

摘要：

有效地识别水下各种鱼类目标具有重要的实际意义和理论价值.鱼类生存环境复杂,由于海洋的极端条件,水下鱼类图像的分辨率低,且图像类间相似度高、类内差异性大,并受光照、角度、姿态等的影响较大,这些因素使得鱼类识别成为一项具有挑战的任务.针对这些难点,提出了一个能够有效进行细粒度鱼类图像分类的深度学习模型.该模型包含空间变换网络和双线性网络两部分,首先利用空间变换网络作为注意力机制,去除图像背景中复杂的干扰信息,选择图像中感兴趣的目标区域,简化后续分类;双线性网络通过融合两个深度网络的特征图提取图像的双线性特征,使得对目标中具有判别性的特定位置有较强的响应,从而识别种类,该模型可以进行端到端的训练.在公开的 F4K 数据集上,该模型取得了最好的性能,识别正确率为 99.36%,较现有最好算法 DeepFish 提高0.56%,此外,发布了一个包含100类共6 358张图片的新的鱼类图像数据集Fish100,该模型在Fish100数据集上的识别正确率高出BCNN算法0.98%.多个数据集上的实验验证了模型的有效性与先进性.

关键词：鱼类分类、细粒度分类、空间变换、双线性网络

所属期刊栏目：52

分类号：TP37(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61771329;天津市自然科学基金资助项目17JCYBJC16300. Supported by the National Natural Science Foundation of China61771329;the Natural Science Foundation of Tianjin,China17JCYBJC16300

在线出版日期：2019-10-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：475-482