文献类型： 中文期刊

作者： 刘世晶 ¹ ; 刘阳春 ² ; 钱程 ¹ ; 郑浩君 ³ ; 周捷 ⁴ ; 张成林 ¹ ;

作者机构： 1.中国水产科学研究院渔业机械仪器研究所

2.中国农业机械化科学研究院集团有限公司

3.大连海洋大学航海与船舶工程学院

4.上海市崇明区水产技术推广站

关键词： 大黄鱼识别;循环对抗网络;注意力增强;SK-Net;迁移学习;注意力机制

期刊名称： 农业机械学报

ISSN：

年卷期： 2023 年 0S1 期

页码： 296-302

收录情况： EI ; 北大核心 ; CSCD

摘要： 围绕水产养殖水下目标精准识别的产业发展需求，针对小样本目标识别精度低、模型算法场景适应能力差等问题，提出一种基于改进循环对抗网络（Cycle constraint adversarial network, CycleGAN）样本扩增和注意力增强迁移学习的小样本养殖鱼类识别方法。利用水下采样装备收集实际养殖场景和可控养殖场景大黄鱼图像，并以可控场景图像作为辅助样本集。利用CycleGAN为基础框架实现辅助样本到实际养殖场景图像的迁移，并提出一种基于最大平均差异（Maximum mean discrepancy, MMD）的迁移模型损失函数优化方法。在迁移学习阶段使用ResNet50为基础框架，并引入SK-Net（Selective kernel network）注意力机制优化模型对不同感受野目标的感知能力，提升模型对无约束鱼类目标的识别精度。试验结果表明，本文方法有效提升了小样本鱼类目标的识别能力，鱼类识别召回率达到94.33%,平均精度均值达到96.67%,为鱼类行为跟踪和表型测量提供了有效的技术支撑。