| 基于R-FCN_ResNet的深海冷泉区生物的识别与分布研究 |
| |
| 作者姓名： | 李海菊 连超 管利聪 李超伦 栾振东 |
| |
| 作者单位： | 青岛科技大学 自动化与电子工程学院, 山东 青岛 266061;中国科学院海洋研究所深海中心, 山东 青岛 266071;中国科学院海洋大学科研究中心, 山东 青岛 266071;中国科学院海洋研究所深海中心, 山东 青岛 266071;中国科学院海洋生态与环境科学重点实验室, 山东 青岛 266071;中国科学院大学, 北京 100049;中国科学院海洋大学科研究中心, 山东 青岛 266071;中国科学院海洋地质与环境重点实验室, 山东 青岛 266071;中国科学院海洋研究所深海中心, 山东 青岛 266071;中国科学院海洋大学科研究中心, 山东 青岛 266071 |
| |
| 基金项目： | 中国科学院A类战略性先导科技专项（XDA19060402,XDA22050302）;中国科学院重大科技基础设施开放研究项目（NMSTI-KEXUE2017K01） |
| |
| 摘 要： | 针对深海冷泉生物数量多、密度大、特征低,人工识别它们的种类和数取它们的数量耗时费力且准确度低这一问题,利用残差学习块,改进了基于区域的全卷积网络算法,用以深海冷泉生物的自动识别与检测。首先,构建了一组包括5类目标生物的深海冷泉生物图像目标检测数据集;然后,在TensorFlow框架下对比了R-FCN_ResNet、Faster R-CNN和SSD_MobileNet三种典型的卷积神经网络算法。从训练耗损时间、平均检测速度、平均置信度三方面权衡,突出了R-FCN_ResNet模型的优势;最后,将测试集图片输入至该模型中检测深海冷泉生物的种类和数量,并且以此复现了生物的分布情况。实验证明,所提方法结合本文数据集进行的深海冷泉生物识别与分布研究,是有效可行的,且具有较高的目标分类和定位准确率。
|
| 关 键 词： | 深度学习 基于区域的全卷积网络 目标检测 深海冷泉生物 |
| 收稿时间： | 2019-12-30 |
| 修稿时间： | 2020-01-08 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《海洋科学》浏览原始摘要信息 |
|
点击此处可从《海洋科学》下载全文 |
|
