摘要
水下视觉一直是海洋研究的重要组成部分。随着人类对于海洋生态系统研究的不断深入，关于鱼类物种组成及其丰度分布方面的科学研究对促进渔业发展、维护生物多样性和海洋生态系统稳定等方面起着越来越重要的作用。 在这些研究中，对于鱼类图像识别的研究是一项十分典型的工作。由于技术方面的限制及生态保护方面的要求，通常情况下，这些鱼类图像由潜水员或者水下机器人在鱼类的栖息地直接拍摄得到，然后会被海洋生物学家人工打上类别标签。显然，这样一个漫长的处理过程不仅对人力和物力造成了极大浪费，而且，通过原位拍摄得到的鱼类图像中也存在着诸多质量问题，比如模糊、有遮挡、质量较低等，这些因素都导致了传统的图像识别算法往往无法得到较为理想的识别效果。最近几年，随着算力的不断提升，深度学习的逐渐兴起，在计算机视觉领域特别是图像识别领域出现了许多里程碑式的工作。因此，越来越多的研究人员尝试将基于深度学习的计算机视觉技术运用到鱼类图像识别方面的研究上来。然而，与普通的图像识别问题所不同的是，鱼类图像识别问题还是一种细粒度图像识别问题，细粒度图像识别相对于普通图像识别来说更具挑战性，特别是在图像数量比较少且质量比较低的情况下。因为图像识别算法中所使用的经典卷积神经网络往往需要海量高质量的图像才能较好的达到理想的性能。因此，为了较好地解决该问题，探讨如何在小样本鱼类图像数据集上取得较高的图像识别准确率，本论文主要进行了以下几项工作： 第一，本文研究了利用卷积神经网络对小样本鱼类图像进行识别的可行性，分析现有卷积神经网络、水下图像识别方法的研究现状。同时确定并选用了几个适用于本文研究的图像数据集，为开展基于迁移学习的小样本鱼类图像识别工作奠定必要的研究基础。 第二，分析鱼类图像特点，提出识别方法。根据目标数据集所具有的图像数量少，质量低的特点提出了一系列解决方法。所使用的方法包括用图像超分辨率重建网络对低分辨率图像进行改善、使用基于二次预训练的迁移学习方法对算法的学习能力进行提升、将改进后的SEblock和一个典型的细粒度图像识别网络B-CNNs结合对算法网络结构的性能进行优化等。 第三，对算法性能进行评测。最后，为了证明上述算法的优异性能，我们设计了多组对比实验，充分说明了我们每个改进点的有效性以及对解决小样本图像识别问题的重要意义。 综上，大量对比实验表明，本文的算法在小样本鱼类图像数据集上具有较好的识别能力，对其它小样本图像识别问题具有较强的借鉴意义。
NETL