《表2 文[28]中深度学习方法与其他方法的识别结果比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《AUV智能化现状与发展趋势》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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].