基于EfficientNetV2-HDCA模型水下鱼类图像分类算法研究
针对现有的鱼类分类网络模型抗干扰能力差、耗费计算资源高、难以在野外部署等问题,该研究提出了一种基于改进EfficientNetV2模型的轻量化鱼类智能分类鉴定模型.该模型通过引入混合空洞卷积和坐标注意力模块改进主干网络EfficientNetV2的模型结构,增大感受野的同时,提高模型对目标细粒度特征的全局关注力,增强模型的抗干扰能力.训练后通过对比消融实验对模型进行评价,结果表明该研究提出的EfficientNetV2-HDCA模型在验证集上的准确率为97.01％,相较于改进前准确率提升了 3.8个百分点.改进后的EfficientNetV2-HDCA模型参数量为22.06 MB,较改进前增加了 0.45 MB.为了直观的展示该研究提出的EfficientNetV2-HDCA模型的有效性,又通过了 Grad-CAM热力实验,实验结果表明该模型较改进前可以更加全面的提取鱼类的关键部位特征,具有一定的抗干扰能力.
湿地、水下图像分类、EfficientNetV2、混合空洞卷积、坐标注意力
45
TP391(计算技术、计算机技术)
唐山市科技计划项目20150212C
2023-02-24（万方平台首次上网日期，不代表论文的发表时间）
共7页
128-134
