在鱼类识别检测技术中,采用anchor-free算法中的Centernet算法对鱼类进行识别检测时,低层特征信息容易丢失,导致识别精度和识别效率降低。为此,提出了一种基于Feature fusion Module and Loss function optimization of Centernet(FMLCe...在鱼类识别检测技术中,采用anchor-free算法中的Centernet算法对鱼类进行识别检测时,低层特征信息容易丢失,导致识别精度和识别效率降低。为此,提出了一种基于Feature fusion Module and Loss function optimization of Centernet(FMLCenternet)算法的鱼类识别检测算法。在Centernet算法网络结构中引入特征融合模块将低层特征信息和高层特征信息融合,输出更加完整的特征图,提高识别检测精度;设置参数调节正负样本的损失比例,使得网络模型的损失函数得到优化,提高整个模型的识别检测效率。在PASCALVOC数据集中对所提算法进行有效性的验证,并对网络结构的性能进行分析。收集大量的目标数据集以及标注数据集信息,训练优化的网络结构并与不同的模型进行对比分析。实验结果表明,FMLCenternet算法对鱼类进行识别检测时,识别平均精度(AP50)可以达到85%以上,平均检测时间低于100 ms。所提算法不仅识别检测精度较高,而且识别检测效率也得到了提升。展开更多
文摘在鱼类识别检测技术中,采用anchor-free算法中的Centernet算法对鱼类进行识别检测时,低层特征信息容易丢失,导致识别精度和识别效率降低。为此,提出了一种基于Feature fusion Module and Loss function optimization of Centernet(FMLCenternet)算法的鱼类识别检测算法。在Centernet算法网络结构中引入特征融合模块将低层特征信息和高层特征信息融合,输出更加完整的特征图,提高识别检测精度;设置参数调节正负样本的损失比例,使得网络模型的损失函数得到优化,提高整个模型的识别检测效率。在PASCALVOC数据集中对所提算法进行有效性的验证,并对网络结构的性能进行分析。收集大量的目标数据集以及标注数据集信息,训练优化的网络结构并与不同的模型进行对比分析。实验结果表明,FMLCenternet算法对鱼类进行识别检测时,识别平均精度(AP50)可以达到85%以上,平均检测时间低于100 ms。所提算法不仅识别检测精度较高,而且识别检测效率也得到了提升。
