科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于深度学习的目标检测与识别在渔业养殖的应用中，存在数据集质量低，网络计算复杂度高、推理速度慢等问题，不易满足高实时性应用场景。本研究收集并标注83种水族馆鱼类的10 042张图像数据集，在保证目标检测和识别能力、降低网络计算复杂度、提高推理速度的情况下，探究网络的优化方法。利用“深度可分离卷积”重新设计YoloV4网络的主干网络(backbone)对比Mixup、Cutmix、 Mosaic等不同数据增强方式及Mish、Swish、 ELU等不同激活函数对网络的优化效果。根据对比结果择优选择数据增强方式、激活函数的组合用于优化网络。结果显示：根据该方法优化的网络在测试集上的预测精确率达到94.37%,计算复杂度(BFLOPS)仅为5.47,相较YoloV4降低了93.99%。研究表明，本研究优化网络的方法，能够在保证检测与识别精确率的前提下，大幅降低网络计算复杂度、提高推理速度，为高实时性应用场景的鱼类目标检测与识别提供了参考。
- 单位
