鱼探测器:一种强大的小型目标检测方法,用于在低质量的水下图像中对水产养殖鱼进行检测
Liang Liu1,2,3, Junfeng Wu1,2,3, Haiyan Zhao1,2,3
1College of Information Engineering, Dalian Ocean University, Dalian, China.
Journal of fish biology
|November 26, 2024
概括
我们开发了Fish-Finder,这是一种用于水下鱼物体检测的新算法. 这种方法在复杂的水生环境中提高了准确性和平均精度 (mAP),改善了海洋生物学和水产养殖管理.
科学领域:
- 计算机视觉 计算机视觉
- 海洋生物学 海洋生物学
- 水产养殖管理水产养殖管理
背景情况:
- 水下鱼类对象检测至关重要,但由于环境复杂性,遮蔽和小型移动鱼类而具有挑战性.
- 现有的方法与水下场景的复杂性作斗争,影响海洋研究和水产养殖的准确性.
研究的目的:
- 提出一种新的算法,Fish-Finder,用于强大的水下鱼物体检测.
- 为了应对水下环境的挑战,并提高小型移动鱼的检测精度.
主要方法:
- 引入了"C2fBF"结构,并采用BiFormer的双路径路由注意力,在下采样过程中保留特征.
- 在子网络中集成RepGFPN,以有效地合并语义和空间信息,增强多层次检测.
- 与CIoU集成Wasserstein损失,以减少对检测小鱼的位置错误的敏感性.
主要成果:
- 鱼-Finder算法在公众 (Kaggle-Fish) 和新的SmallFish数据集上都显示出更好的准确性和平均平均精度 (mAP).
- 与最先进的检测方法相比,观察到显著的性能增长.
结论:
- 鱼Finder提供了一个有前途的解决方案,用于在具有挑战性的条件下准确地检测水下鱼物体.
- 开发的算法提升了海洋生物学,水产养殖和计算机视觉应用方面的能力.
更多相关视频
09:32Development of New Methods for Quantifying Fish Density Using Underwater Stereo-video Tools
Published on: November 20, 2017
9.2K
05:57Long-term Video Tracking of Cohoused Aquatic Animals: A Case Study of the Daily Locomotor Activity of the Norway Lobster Nephrops norvegicus
Published on: April 8, 2019
6.8K
