卷积神经网络实现23类海洋生物识别,轻松解决课程作业"/>
【机器视觉】卷积神经网络实现23类海洋生物识别,轻松解决课程作业
Mobilenet实现海洋生物识别
近几十年来,海洋生物多样性的成像技术飞速发展并逐渐成熟。随着海洋生态的特殊性及复杂性的日益增进,大量的图像或视频无法全部由人工处理,迫切需要识别相关内容、分类和标记的自主流程。所以,建立健全完善、分布广泛的监测网络是长久以来研究者们关注的问题。这种网络可以提供充足的有效信息与变量,并且能准确描述所观测物种的生态动态。
数据集
采用的海洋生物数据集是由台湾电力公司、台湾海洋研究所和垦丁国家公园在2010年10月1日至2013年9月30日期间,在台湾南湾海峡、兰屿岛和胡比湖的水下观景台收集的鱼类图像数据集,共生成了27370 个经过验证的鱼类图像。 整个数据集分为 23 个集群,每个集群由一个代表性物种呈现,这是基于类群单系范围内的突触特征。 代表性图像表示下图中显示的集群之间的区别,例如 有无成分(臀鳍、鼻、眶下)、具体数量(6条背鳍棘、2条背鳍棘刺)、特殊形状(第二条背鳍棘长)等。此图为代表 鱼种名称和检测数量。 数据非常不平衡,最常见的物种比最少的物种多出大约 1000 倍。
模型
将普通的三层CNN模型与预训练Mobilenet模型做对照组:
import paddle
import paddle.nn.functional as Fclass MyCNN(paddle.nn.Layer):def __init__(self):super(MyCNN,self).__init__()self.conv1 = Conv2D(in_channels=3, out_channels=
更多推荐
【机器视觉】卷积神经网络实现23类海洋生物识别,轻松解决课程作业
发布评论