首页期刊导航|海洋学报（中文版）
期刊信息/Journal information
海洋学报（中文版）
海洋学报（中文版）

潘德炉

双月刊

0253-4193

hysbl@263.net

010-62179976

100081

北京海淀区大慧寺路8号

海洋学报（中文版）/Journal Acta Oceanologica SinicaCSCD北大核心CSTPCD
正式出版
收录年代

    融合类别数量自适应深度数据增强和迁移学习的造礁珊瑚识别方法研究

    王岚魏皓车亚辰张翠翠...
    120-130页
    查看更多>>摘要：造礁珊瑚识别对于珊瑚礁生态系统的保护与监测具有重要意义.深度学习作为图像识别的前沿技术,在珊瑚识别领域逐渐得到应用.然而,其识别性能仍然面临挑战.其中,数据集中类别间样本数量不平衡和数据多样性欠缺是两个主要问题.前者使得深度学习模型在特征提取过程中更偏向于样本数较多的类,对少数类(尤其是濒危珊瑚)的学习能力不足进而影响其识别准确度.后者因为数据缺乏多样性使得模型无法充分学习各种珊瑚特征,进而限制了特征提取的能力.鉴于此,本文提出了一种融合类别数量自适应深度数据增强和迁移学习的造礁珊瑚类型识别方法.针对第一个问题,本文利用识别结果评价指标 F1-score定义的数据生成量化公式对原始深度数据增强方法DeepSMOTE进行改进,提出了类别数量自适应的深度数据增强方法DeepSMOTE-F1.该方法根据每类珊瑚的识别结果自适应地增强其样本数量,确保模型充分学习各类珊瑚特征.针对第二个问题,利用迁移学习强化了模型的提取能力.实验结果表明,在RSMAS、EILAT和EILAT2这 3个代表性珊瑚识别数据集上,相较于原始DeepSMOTE,本文提出的DeepSMOTE-F1 识别准确率分别提升了 2.88%、0.39%和1.54%;与现有的珊瑚智能识别方法相比,准确率分别提升了0.76%、1.40%和1.30%.

    珊瑚识别深度学习数据集不平衡数据增强迁移学习

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    《海洋学报》作者投稿须知

    封3页
      原文链接:
    • NETL
    • NSTL
    • 万方数据