CLIB:对比的学习,忽略了水下鱼类图像分类的背景
Qiankun Yan1,2, Xiujuan Du1,2,3, Chong Li1,2
1College of Computer, Qinghai Normal University, Xining, China.
Frontiers in neurorobotics
|August 15, 2024
概括
一种新的无视背景的对比学习方法 (CLIB) 通过将主体与噪音分开来增强水下鱼的图像分类. 这种方法提高了水生环境中对复杂背景的准确性和稳定性.
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:
- 水下鱼类图像分类面临的挑战是背景噪音.
- 现有的方法在复杂的水生环境中难以抗干扰能力.
研究的目的:
- 为改进水下鱼类图像分类提出一种新的对比学习方法,忽略背景 (CLIB).
- 通过有效处理背景干扰,提高鱼类图像识别的准确性和稳定性.
主要方法:
- CLIB使用提取模块将鱼主题与图像背景分开.
- 引入了多视图对比损失函数,以增强主体背景区分.
- 三个互补的视图与对比学习的原始图像组成.
主要成果:
- 在多个公共数据集 (Fish4Knowledge,Fish-gres,WildFish-30,QUTFish-89) 中,CLIB表现出显著的性能改善.
- 与基线模型相比,改进幅度在1.43%至14.82%之间.
- 该方法有效地专注于核心主题特征,忽视背景噪音.
结论:
- 对于水下鱼类图像分类,CLIB提供了一个强大的解决方案.
- 拟议的方法显著提高了分类准确性和对背景噪声的适应性.
- CLIB验证了主体背景分离在水生图像对比学习中的有效性.
