鱼-TViT:一种基于转移学习和视觉转换器的多水域鱼类新型分类方法

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 水产养殖科学 水产养殖科学

背景情况:

• 准确的鱼类分类对于水产养殖和渔业管理至关重要.
• 现有的分类方法在有效的特征提取方面扎,限制了它们的实际应用.
• 对于强大而准确的鱼类识别系统的需求正在增加.

研究的目的:

• 开发一种先进的鱼类分类系统,解决当前方法的局限性.
• 增强特征提取能力,用于海洋和淡水鱼类的识别.
• 提高自动化鱼类物种分类的准确性和可靠性.

主要方法:

• 提出了一种使用转移学习和视觉转换器的新型多水域鱼类分类方法 (Fish-TViT).
• 实现了标签光滑损失功能,以减轻分类器过度匹配和过度自信.
• 使用梯度加权类激活映射 (Grad-CAM) 来实现模型解释性和架构优化.
• 利用数据增强和预训练的视觉转换器来增强从鱼类图像中提取特征.

主要成果:

• 实现了高分类准确度:94.33%的低分辨率海洋鱼类数据和98.34%的高分辨率淡水鱼类数据.
• 与传统的卷积神经网络方法相比,表现出更高的性能.
• 通过使用Grad-CAM成功可视化模型决策流程,有助于模型改进.

结论:

• 鱼-TViT在自动化鱼类物种分类准确度方面取得了重大进展.
• 转移学习和视觉变压器方法为各种鱼类数据集提供了卓越的特征表示.
• 该方法在水产养殖和渔业研究中具有很强的实际应用潜力.