扩散FR:通过扩散和注意力识别模糊场景中的鱼类的物种识别
Guoying Wang1, Bing Shi1, Xiaomei Yi1
1College of Mathematics and Computer Science, Zhejiang A&F University, Hangzhou 311300, China.
Animals : an open access journal from MDPI
|February 10, 2024
概括
本研究介绍了DiffusionFR,一种使用扩散模型和注意力机制的新方法,用于改善模糊图像中的鱼类识别. 扩散FR有效地消除图像和提高识别准确性,在具有挑战性的数据集上表现优于传统模型.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 图像处理 图像处理
背景情况:
- 模糊条件,如光反射和水,降低了鱼的图像质量,挑战了物种识别的深度学习模型.
- 传统的深度学习模型因数据稀缺和低质量输入的无效处理而难以处理模糊图像,导致识别率低.
研究的目的:
- 提出DiffusionFR,一种结合扩散模型和注意力机制的方法,以增强鱼类在模糊场景中的图像识别.
- 为了提高鱼类物种识别的准确性和稳定性,尽管图像恶化.
主要方法:
- 开发了DiffusionFR,这是一个两阶段的扩散网络模型 (TSD),用于消除不充分的鱼类图像的模糊性.
- 整合了一个可学习的注意力模块 (LAM) 来提高识别准确性.
- 通过增加Fish4Knowledge的图像来创建BlurryFish数据集,以包括模糊场景.
主要成果:
- DiffusionFR实现了高性能,在原始数据集上训练准确率为97.55%,Top-1测试准确率为92.02%.
- 在有光反射噪声的数据集中,平均训练准确率达到96.50%,Top-1和Top-5测试准确率分别为90.96%和94.12%.
- 在带有水波噪声的数据集中,平均训练精度为95.00%,Top-1和Top-5测试精度分别为89.54%和92.73%.
结论:
- DiffusionFR在从模糊图像中识别鱼类物种方面表现出卓越的准确性和稳定性.
- 该方法有效地处理来自光反射和水的图像噪声,优于现有的方法.
- DiffusionFR提供了一个有前途的解决方案,用于在具有挑战性的现实水生环境中准确识别鱼类.
