Klassenbewusste Fischartenkennung mittels Deep Learning für ein unausgewogenes Dataset

Die Fischartenkennung ist entscheidend für die Identifizierung der Häufigkeit von Fischarten in einem bestimmten Gebiet, die Kontrolle des Produktionsmanagements und die Überwachung des Ökosystems, insbesondere bei der Identifizierung von gefährdeten Arten, was eine genaue Fischartenkennung unerlässlich macht. In dieser Arbeit wird das Problem der Fischartenkennung als Objekt-Erkennungsmodell formuliert, um mehrere Fische in einem einzigen Bild zu verarbeiten, was mit einem einfachen Klassifikationsnetzwerk schwierig zu klassifizieren ist. Das vorgeschlagene Modell besteht aus den Backbone-Netzen MobileNetv3-large und VGG16 sowie einem SSD-Erkennungskopf. Darüber hinaus wird eine klassenbewusste Verlustfunktion vorgeschlagen, um das Problem der Klassenungleichheit in unserem Dataset zu lösen. Der klassenbewusste Verlust berücksichtigt die Anzahl der Instanzen jeder Art und gewichtet die Arten mit einer geringeren Anzahl von Instanzen stärker. Diese Verlustfunktion kann für jede Klassifikations- oder Objekt-Erkennungsaufgabe mit einem unausgewogenen Dataset angewendet werden. Das experimentelle Ergebnis auf dem groß angelegten Riff-Fisch-Dataset SEAMAPD21 zeigt, dass der klassenbewusste Verlust das Modell im Vergleich zum ursprünglichen Verlust um bis zu 79,7% verbessert. Das experimentelle Ergebnis auf dem Pascal VOC-Dataset zeigt ebenfalls, dass das Modell das ursprüngliche SSD-Objekterkennungsmodell übertrifft.