《表2 文[28]中深度学习方法与其他方法的识别结果比较》
2015年以前,鲜有采用深度学习方法来识别鱼的文献.Li等首先将深度学习方法用于鱼的识别,采用快速的区域卷积神经网络(Fast R-CNN)方法取得更准确的识别结果[25].构建了含有5个卷积层和3个全连接层的网络框架结构,如图4所示.Qin等构建了一种深度框架,运用卷积神经网络方法提取了鱼的深度特征,主成分分析被用于2个卷积层,之后二进制散列被置于非线性层,分块直方图被置于池化层(pooling layer),又采用了空间金字塔池化算法(spatial pyramid pooling,SPP)达到了尺度不变的目的,最终利用支持向量机实现了对鱼的高精度识别(表2)[26-27].Villon等受GoogleNet框架的启发设计了27层的深度神经网络,通过Fish4Knowledge项目所收集的数据验证了深度学习方法在鱼识别中的先进性[28].
图表编号 | XD00133606300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.01 |
作者 | 黄琰、李岩、俞建成、李硕、封锡盛 |
绘制单位 | 中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院、中国科学院大学、中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院、中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院、中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院、中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院 |
更多格式 | 高清、无水印(增值服务) |