Key points are not available for this paper at this time.
Zusammenfassung Die genaue Identifizierung von tropischen Fischen ist ein entscheidender Indikator, der Einblicke in den Zustand der marinen Biodiversität und die Bedingungen der Korallenriff-Ökosysteme bietet. Aktuelle Erkennungsnetzwerke neigen jedoch aufgrund von Okklusion zwischen Fischen und der komplexen Unterwasserumgebung zu Auslassungen und Fehlidentifikationen. In diesem Papier wird ein modifizierter Ansatz namens FishFocusNet vorgeschlagen, bei dem veränderbare Kernel-Konvolutionsmodule, ein asymptotisches Merkmals-Pyramiden-Netzwerk (AFPN) und Shape-IoU in YOLOv8 integriert sind. Um einen umfassenderen Satz von Fischmerkmalen zu extrahieren, werden AKConv-Module mit beliebigen Kernelgrößen vorgeschlagen, um die herkömmlichen festformartigen Kerne im Backbone zum Herunterabzeichnen zu ersetzen. AFPN wird als Struktur zur Merkmalsintegration im Nacken übernommen, die die Merkmalsfusion und adaptive räumliche Fusion zwischen nicht benachbarten Schichten verbessert. Im Detektor-Kopf wird Shape-IoU verwendet, um eine präzise Lokalisierung von Fischzielen zu erreichen. Die Überlegenheit dieser Modifikationen wird durch Ablations- und Vergleichsexperimente nachgewiesen. Die experimentellen Ergebnisse zeigen, dass der optimierte Ansatz eine mAP von 81,8 % mit 2,4 MB Parametern und 3,6 GB FLOPS erreichte. Im Vergleich zu komplizierteren Modellen ähnlicher Größe kann die vorgeschlagene Methode die Erkennungsgenauigkeit auf 84,2 % erhöhen und die Rechenkosten erheblich senken.
Lu et al. (Wed,) untersuchten diese Frage.