具有特定物种损失功能的自适应性身份规范化的生成对抗网络,通过数据增强来增强鱼类分类和细分

科学领域:

• 海洋生物学 海洋生物学
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 传统的鱼类分类面临着有限和不平衡的数据集的挑战,特别是对于稀有或形态复杂的物种.
• 现有的数据增强方法难以保持关键的物种特征和生物真实性.

研究的目的:

• 开发一种新的生成对抗网络 (GAN) 架构,用于生成高质量的合成鱼类数据.
• 提高鱼类分类和细分系统的准确性和稳定性,特别是对于具有挑战性的物种.
• 增强海洋物种数据集中的数据集多样性和生物可信性.

主要方法:

• 提出了一种集成自适应性身份块的GAN架构,在合成数据生成过程中保留特定物种特征.
• 开发了特定物种的损失函数,结合了形态约束和生物可信性的分类关系.
• 在9个鱼类物种的9000张图像数据集上评估了该方法,与基线和传统增强技术进行比较.

主要成果:

• 实现了95.1%的分类准确度,比基线方法提高了9.7%.
• 改进了细分业绩,89.6%的平均交叉与欧盟 (IoU),比基线增加12.3%.
• 专家评估证实了生成数据的高质量 (88.7%) 和生物验证 (87.4%),特别是复杂物种.

结论:

• 生物知情GAN方法有效生成高质量的合成鱼类数据,显著提高了分类和细分性能.
• 该方法在形态复杂物种中显示出优异的结果,解决了当前系统的一个关键局限性.
• 这些发现支持这种方法在增强海洋物种数据集和人工智能模型培训方面的更广泛适用性.