Research on fish recognition based on multi-stage feature extraction learning
-
摘要:
鱼类自动识别在海洋生态学、水产养殖等领域应用广泛。受光照变化、目标相似、遮挡及类别分布不均衡等因素影响，鱼类精准自动识别极具挑战性。提出了一种基于多阶段特征提取网络 (Multi-stage Feature Extraction Network, MF-Net) 模型进行鱼类识别。该模型首先对图片作弱增强预处理，以提高模型的计算效率；然后采用多阶段卷积特征提取策略，提升模型对鱼类细粒度特征的提取能力；最后通过标签平滑损失计算以缓解数据的不平衡性。为验证模型的性能，构建了一个500类、含32 768张图片的鱼类数据集，所建模型在该数据集上的准确率达到86.8%，优于现有的主流目标识别方法。利用公开的蝴蝶数据集对该模型进行泛化性能验证，多组消融实验进一步验证了所提算法的有效性。
Abstract:Automatic fish recognition is widely used in the fields of marine ecology and aquaculture. Due to factors such as fluctuating illumination, overlapping instances and occlusion, accurate automatic identification of fish is extremely challenging. In order to solve these problems, this paper introduces an innovative Multi-stage Feature Extraction Network (MF-Net) model, which is predicated upon a multi-stage feature extraction paradigm for the domain of automatic fish recognition. The architecture of MF-Net commences with a subtle image enhancement preprocessing step, judiciously designed to augment the computational efficiency of the model. Then the deployment of a multi-stage convolutional feature extraction strategy is applied to improve the model's sensitivity towards the granular features of fish species. In an effort to mitigate issues arising from data imbalance, the model incorporates a long-tail loss computation strategy. To evaluate the efficacy of the proposed MF-Net, the study collects a comprehensive fish dataset encompassing 500 categories including 32 768 images. The proposed MF-Net demonstrated a remarkable accuracy of 86.8% on this dataset, thereby outperforming the recognition performance of the existing state-of-the-art target recognition algorithms. Furthermore, the model is tested on a publicly butterfly dataset to verify its generalization performance, and multiple ablation experiments further validate the effectiveness of the proposed algorithm.
-
奥尼罗非鱼(Oreochromis niloticus♀×O.aureus♂)是一种中小形鱼，为世界水产业重点科研培养的淡水养殖鱼类，被誉为未来动物性蛋白质的主要来源之一，在日本被称为“不需要蛋白质的蛋白源”。罗非鱼肉质细嫩，味道鲜美，富含人体所需的8种必需氨基酸，其中甘氨酸和谷氨酸含量特别高[1-2]。
国内外关于罗非鱼营养方面的研究多集中在通过饲料试验研究营养对罗非鱼生长或生物学特征的影响等方面[3-5]，但是对各种养殖模式罗非鱼肉品质的研究少见。笔者研究通过对池塘养殖和水库养殖罗非鱼的肌肉营养成分、感官特性、理化性质和游离氨基酸组成及含量进行分析与比较，探讨养殖模式对罗非鱼肉质的影响规律，为今后罗非鱼的健康、科学和高质养殖提供一定参考依据。
1. 材料与方法
1.1 材料
奥尼罗非鱼由佛山市某淡水养殖场提供，鱼体质量为(1 000±50)g。池塘养殖模式为罗非鱼与鲢(Hypophthalmichthys molitrix)、草鱼(Ctenopharyngodon idella)混养，定期投喂饲料，水深约1.5 m。水库养殖模式为网箱养殖，未投喂饲料，以浮游植物为食，水温常年在18~22 ℃，水深约50 m。
1.2 方法
鲜鱼覆冰保藏，及时送至实验室。取罗非鱼背部肌肉，先进行pH、质构、滴水损失、熟肉率、贮存损失及感官评定分析，剩余样品置于-18 ℃冷冻保存用于其余指标测定。
1.2.1 pH测定[6]
参考DUUN和RUSTAD[7]的方法，并稍加改动。称取碎鱼肉10 g，加入10 mL的0.15 mol·L-1氯化钾(KCl)溶液，用均质器13 000 r·min-1均质30 s，用pH计测定。
1.2.2 常规成分分析
水分测定采用恒温常压干燥法[8]；粗蛋白测定采用凯氏定氮法[8]；粗脂肪测定采用索氏提取法[8]；灰分测定采用常压干燥法[8]；总糖测定采用常规分析方法[9]。
1.2.3 肉质感官评定
取罗非鱼背部肌肉切成2 cm×2 cm×1 cm的块状，放入瓷碗里蒸煮8 min，邀请经过专业培训的9人同时参加品尝，采用“盲法”对罗非鱼的鲜味、口感、嫩度进行打分[10]，以1~5之间的分值表示(表 1)。3项评分之和为该样品的可接受度值。
表 1 罗非鱼感官评定标准Table 1. Sensory evaluation standard for tilapia muscle指标 index 1分 2分 3分 4分 5分 鲜味 umami 滋味差，无鲜甜味 滋味较差，略带鲜甜味 滋味一般，有鲜甜味 滋味较好，鲜甜味较浓 滋味佳，鲜味浓 口感 mouthfeel 无弹性，口感差 略带弹性，口感较差 有弹性，口感一般 弹性较好，口感较好 弹性好，口感好 嫩度 tenderness 组织浮软 组织较松软 组织有一定弹性 嫩度较好 嫩度适中 1.2.4 熟肉率、蒸煮损失的测定[11]
取背部肌肉，切成1 cm×1 cm×1 cm的块状，放在蒸格上用沸水蒸8 min，取出后晾15 min，称质量并计算。
$$ {\rm{熟肉率}}(\% ){\rm{ = }}\frac{{\rm{蒸煮后肉样质量}}}{{\rm{蒸煮前肉样质量}}} \times {\rm{100}} $$ $$ \text { 蒸煮损失(%) = } 100 \text { - 熟肉率 } $$ 1.2.5 滴水损失[11]
取背肌切成3 cm×1 cm×1 cm小块，称质量后置于充气的塑料袋中(使肉块悬于中心不接触薄膜)，在4 ℃冰箱中吊挂48 h后称质量，以样品质量损失百分比表示滴水损失。
$$ \text { 滴水损失 }(\%)=\frac{\text { 贮前质量 }- \text { 贮后质量 }}{\text { 贮前质量 }} \times 100 $$ 1.2.6 贮存损失测定
取背肌切成3 cm×1 cm×1 cm小块，装袋，在4 ℃冰箱中吊挂24 h后称质量并计算。
$$ \text { 贮存损失 }(\%)=\frac{\text { 贮前质量 }- \text { 贮后质量 }}{\text { 贮前质量 }} \times 100 $$ 1.2.7 肌内脂肪测定
参照郭焱芳[11]方法测定。取肉样绞成肉糜，取10 g置于广口瓶中，加入甲醇60 mL并盖好瓶盖，置于磁力搅拌器上搅拌30 min，加入三氯甲烷90 mL搅拌30 min，静置36 h。将浸提液过滤于刻度分液漏斗中，用约50 mL三氯甲烷分次洗涤残渣；加入30 mL蒸馏水，旋摇后静置待分层，上层为甲醇层，下层为三氯甲烷脂肪层，记录下层体积后缓慢打开分液漏斗弃去约2 mL后再缓慢放出下层液体于烧杯中，取4个已经干燥至恒质量的烧杯，用移液管移出50.00 mL下层液体于烧杯中烘干冷却，称质量并记录。
$$ \text { 肌内脂肪质量分数 }(\%)=\frac{\left(W_2-W_1\right) \times V_1}{W_0 \times 50} \times 100 $$ 其中W0为肉样质量(g)；W1为烧杯质量(g)；W2为烘干后烧杯和脂肪质量之和(g)；V1为下层液体总体积(mL)；50为下层液体取样量(mL)。
1.2.8 肌原纤维断裂指数(MFI)
测定参照雒莎莎等[12]和陆海霞[13]的方法并稍作修改。取2 g鱼肉加6倍体积的0.1 mol·L-1 KCl、0.02 mol·L-1三羟甲基氨基甲烷(Tris)-盐酸(HCl)(pH=7.5)缓冲液(A)和2倍体积的1% Triton、0.1 mol·L-1 KCl、0.02 mol·L-1 Tris-HCl缓冲液(B)，匀浆，纱布过滤，去结缔组织，8 000 r·min-1冷冻离心10 min，去上清，沉淀用8倍体积的A液离心3次，最后用A液清洗沉淀稀释至20 mL，待测。将肌原纤维悬浮液蛋白质量浓度调整为(0.5±0.05)mg·mL-1，立即取10 mL在540 nm下测吸光度(OD)，记为OD540 nm。
$$ \mathrm{MFI}=\mathrm{OD}_{540 \mathrm{~nm}} \times 200 $$ 1.2.9 肌红蛋白总量的测定
参照KRZYWICKI[14]方法，具体试验步骤见马汉军等[15]的方法。
1.2.10 游离氨基酸的测定
使用高效液相色谱仪进行分析[16]。
1.3 数据处理
所有数据采用统计软件SPSS 16.0进行分析处理。
2. 结果与分析
2.1 常规营养成分
2种模式养殖的罗非鱼肉粗脂肪、粗灰分质量分数分别为1.48%、0.74%，池塘养殖的总糖质量分数稍高于水库养殖，但两者均无显著差异(P＞0.05)(表 2)。水库养殖的水分质量为湿质量的80.22%，显著高于池塘养殖的77.04%(P＜0.05)。这是由于鱼体的水分质量分数和脂肪质量分数互成反比，水库养殖的粗蛋白质量分数(16.65%)和粗脂肪质量分数(1.37%)都低于池塘养殖(分别为18.82%和1.59%)，故其水分质量分数相对较高。
表 2 罗非鱼肉常规营养成分比较(X±SD，n=3)Table 2. Nutritional components in muscle of different tilapia% 营养成分
nutritive composition池塘养殖
pond culture水库养殖
reservoir culture水分 moisture 77.04±0.08b 80.22±0.09a 粗蛋白 crude protein 18.82±0.12a 16.65±0.08b 粗脂肪 crude fat 1.59±0.24 1.37±0.15 粗灰分 crude ash 0.72±0.02 0.75±0.02 总糖 total sugar 0.12±0.06 0.06±0.02 注：同行不同字母表示差异显著(P＜0.05)，后表同此
Note：Means in the same row with different letter are significantly different (P＜0.05), the same case in the following tables.2.2 感官评定
2种养殖模式罗非鱼肉的鲜味和口感值较接近，没有显著差异(P＞0.05)(表 3)。水库养殖的嫩度和可接受度分别为4.87和14.30，显著高于池塘养殖的4.53和13.47(P＜0.05)。
表 3 罗非鱼的感官评价分析(X±SD，n=9)Table 3. Muscle sensory evaluation of the different tilapia评定项目
assessment program池塘养殖
pond culture水库养殖
reservoir culture鲜味 umami 4.50±0.17 4.73±0.12 口感 mouthfeel 4.43±0.15 4.70±0.10 嫩度 tenderness 4.53±0.12b 4.87±0.12a 可接受度 acceptence 13.47±0.42b 14.30±0.26a 2.3 理化特性
表 4为不同养殖模式下罗非鱼肉质各项理化指标。2种养殖模式的熟肉率和蒸煮损失平均值分别为81.49%和18.51%，无显著差异(P＞0.05)。池塘养殖的pH显著低于水库养殖(P＜0.05)；与池塘养殖相比，水库养殖的滴水损失和贮存损失分别高出1.85%和0.69%，差异显著(P＜0.05)；水库养殖的肌内脂肪比池塘养殖的高0.35%，差异显著(P＜0.05)；池塘养殖的MFI比水库养殖高38，差异显著(P＜0.05)。肌红蛋白质量分数平均值为22.22 mg·kg-1，两者不存在显著差异(P＞0.05)。
表 4 罗非鱼肉理化特性比较(X±SD，n=3)Table 4. Physi-chemical characters comparison of the different tilapia理化指标
physi-chemical index池塘养殖
pond culture水库养殖
reservoir culturepH 6.28±0.06b 6.43±0.09a 熟肉率/% rate of cooked meat 82.00±0.98 80.97±0.50 蒸煮损失/% cooking loss 18.00±0.98 19.03±0.50 滴水损失/% drip loss 7.75±0.41b 9.60±0.36a 贮存损失/% storage loss 3.20±0.34b 3.89±0.19a 肌内脂肪/% intramuscular fat 0.51±0.16b 0.86±0.19a 肌纤维断裂指数 myofibrillar fragmentation index(MFI) 161±4.58a 123±22.07b 肌红蛋白/mg·kg-1 myoglobin 20.25±0.69 24.19±2.58 2.4 氨基酸质量分数的分析
从罗非鱼肌肉中检测并鉴定了18种常见的氨基酸(表 5)。其中包括8种必需氨基酸，2种半必需氨基酸和8种非必需氨基酸。比较2种模式中各氨基酸的平均值发现，甘氨酸的质量分数均为最高，分别占其总氨基酸的46.40%(池塘养殖)和55.49%(水库养殖)，池塘养殖模式中质量分数次之的是丙氨酸、苏氨酸、丝氨酸，水库养殖模式中质量分数次之的是苏氨酸、组氨酸、谷氨酸。两者间的天冬氨酸、谷氨酸、丝氨酸、甘氨酸、丙氨酸质量分数有显著差异(P＜0.05)，除此之外其他氨基酸不存在显著差异(P＞0.05)。
表 5 罗非鱼肉中主要游离氨基酸组成及质量分数(湿质量)(X±SD，n=3)Table 5. Muscle main free amino acids contents of the different tilapia(wet weight)μg·g-1 游离氨基酸
free amino acid池塘养殖
pond culture水库养殖
reservoir culture天冬氨酸ae Asp 61.74±3.09a 11.73±3.88b 谷氨酸ae Glu 97.06±0.72a 82.73±2.94b 鲜味氨基酸总量(∑UAA) total umami amino acids 158.80±2.87a 94.46±5.96b 丝氨酸be Ser 120.23±5.51a 66.61±4.10b 甘氨酸be Gly 1 194.12±25.19a 1 189.80±16.91b 苏氨酸bc Thr 126.57±12.05 103.46±15.62 丙氨酸be Ala 347.81±18.67a 22.19±9.38b 脯氨酸be Pro 48.41±7.13 63.22±23.32 甜味氨基酸总量(∑SAA) total sweet amino acids 1 837.13±54.55a 1 445.29±58.54b 组氨酸d His 115.21±6.91 100.32±9.58 精氨酸d Arg 59.34±10.56 56.45±17.05 酪氨酸e Tyr 43.53±20.87 35.21±11.21 蛋氨酸c Met 41.85±8.76 34.10±8.41 色氨酸c Trp 43.73±9.58 79.72±26.10 苯丙氨酸c Phe 41.38±2.32 41.15±4.93 异亮氨酸c Ile 26.65±1.16 18.68±4.78 亮氨酸c Leu 47.31±3.05 42.80±7.02 赖氨酸c Lys 68.28±1.19 81.07±4.61 缬氨酸c Val 44.47±7.48 39.99±15.73 半胱氨酸e Cys 45.73±22.56 74.82±41.76 氨基酸总量(∑AA) total amino acids 2 573.41±104.36 2 144.05±99.19 必需氨基酸总量(∑EAA) total essential amino acids 440.24±15.61 440.97±25.31 半必需氨基酸总量(∑HEAA) total half-essential amino acids 174.54±17.28 156.76±26.04 ∑UAA/∑AA/% 6.17 4.41 ∑SAA/∑AA/% 71.39 67.41 ∑EAA/∑AA/% 17.11 20.57 ∑HEAA/∑AA/% 6.78 7.31 注：a.鲜味氨基酸；b.甜味氨基酸；c.必需氨基酸；d.半必需氨基酸；e.非必需氨基酸
Note：a. umami amino acids；b. sweet amino acids；c. essential amino acids；d. half-essential amino acids；e. not essential amino acids罗非鱼的鲜美程度取决于其蛋白质中鲜味氨基酸的组成和质量分数，天冬氨酸和谷氨酸为呈鲜味的特征氨基酸，其中谷氨酸的鲜味更强。谷氨酸不仅是呈鲜味氨基酸，还在人体代谢中具有重要意义，是脑组织生化代谢中首要的氨基酸，参与多种生理活性物质的合成，具有健脑作用[17]。在2种模式中，谷氨酸质量分数(μg·g-1，湿基)分别为97.06(池塘养殖)和82.73(水库养殖)。2种养殖模式的鲜味氨基酸总量(μg·g-1，湿基)分别为158.80(池塘养殖)和94.46(水库养殖)，两者差异显著(P＜0.05)。甜味氨基酸总量(μg·g-1，湿基)分别为1 837.13(池塘养殖)和1 445.29(水库养殖)，分别占总氨基酸的71.39%(池塘养殖)和67.41%(水库养殖)，前者明显高于后者(P＜0.05)。必需氨基酸总量(μg·g-1，湿基)分别为440.24(池塘养殖)和440.97(水库养殖)，两者相近(P＞0.05)。组氨酸和精氨酸为半必需氨基酸，其总量(μg·g-1，湿基)分别为174.54(池塘养殖)和156.76(水库养殖)。精氨酸在人体饥饿、创伤或应激条件下会转变为必需氨基酸。
3. 讨论
1) 肌肉营养成分是评价养殖模式肌肉品质的重要指标。池塘养殖罗非鱼的粗蛋白质量分数较水库养殖的高，这可能与投喂的饲料有关。有关研究表明[18]，饲料蛋白质量分数越高，鱼体内的粗蛋白质量分数也越高。从试验结果看出，池塘养殖饲料供给及时，营养充足，则鱼体的粗蛋白和粗脂肪质量分数相对较高。在粗灰分和总糖质量分数上，两者相差不大，说明罗非鱼肌肉粗灰分和总糖质量分数受其养殖环境的影响较小。
2) 一般认为，肉品风味随肌内脂肪的增加而改善。BEJERHOLM和BARTON-GADE[19]发现随着肌内脂肪质量分数的增加，嫩度也相应改善。笔者试验中水库养殖罗非鱼的肌内脂肪质量分数高于池塘养殖，与感官评定中的嫩度评分一致，同时，水库养殖的肌原纤维断裂指数比池塘养殖小，即水库养殖的嫩度较好，这3个指标的检测结果是一致的，因此可推测这三者之间存在着一定相关性。同时，pH是反映鱼体死后肌糖原酵解速率的重要指标，pH越低，说明酵解速度越快，pH缓慢降低可保持肉的嫩度。水库养殖的pH显著高于池塘养殖，即水库养殖的嫩度优于池塘养殖，这与前面的3个指标检测结果一致。
3) 滴水损失和持水力能够反映肉类保持其原有水分的能力。滴水损失与肌肉持水力呈负相关，滴水损失越低，肌肉持水力越好，鱼体死后失重小。从试验结果可知，水库养殖的滴水损失和贮存损失都比池塘养殖的高，说明池塘养殖的持水力高于水库养殖。熟肉率是衡量烹调损失的指标，具有重要的经济意义。试验结果表明池塘养殖的熟肉率高于水库养殖。
4) 从对罗非鱼肌肉的品质分析可以看出，尽管属于同一鱼种，但是不同养殖模式的罗非鱼在品质方面存在着一定的差别。有研究表明，鱼类肌肉品质的遗传变异很低[20]，所以遗传变异的可能性不大。食物营养价值可以用多项指标来评价，蛋白质为重要的指标之一，尤其是氨基酸的组成及含量。这2种模式罗非鱼的蛋白质质量分数差异显著，其某些游离氨基酸的质量分数也存在显著差异。池塘养殖罗非鱼肌肉中谷氨酸的质量分数明显高于水库养殖，谷氨酸作为一种鲜味氨基酸，在脑组织生化代谢中具有重要作用，参与多种活性物质的合成。池塘养殖的呈味(鲜味和甜味)氨基酸质量分数都高于水库养殖，必需氨基酸总量虽相近，但氨基酸总量和半必需氨基酸总量均高于水库养殖。有研究表明，水产动物肌肉氨基酸组成与含量的不同，除了受到遗传因素的影响外，还与动物自身的生长发育、栖息环境、饵料种类与组成等密切相关[21-22]。此次采集的池塘养殖样品在养殖过程中定期投喂了饲料，而水库养殖样品主要以浮游植物为食，加上栖息环境的不同，因此造成了两者的差异。
从总体上看，水库养殖的罗非鱼嫩度要优于池塘养殖，但在营养成分及鲜甜味方面不及池塘养殖。
-
![]()
图 2 类间相似和类内差异
Figure 2. Subtle differences between species and dramatic changes among same species
![]()
图 6 MF-Net模型不同预处理方式的识别结果
Figure 6. Recognition results based on different pro-processing strategies in proposed MF-Net
![]()
图 7 MF-Net 模型不同block结构的识别性能
Figure 7. Recognition results based on different block structures in proposed MF-Net
![]()
图 8 MF-Net模型中不同下采样策略
Figure 8. Recognition results based on different down sampling strategies in proposed MF-Net
![]()
图 9 基于不同损失函数的识别性能
Figure 9. Recognition results based on different loss functions in proposed MF-Net
表 1 主流识别模型性能对比
Table 1 Comparison of different generic recognition methods
模型
Model浮点运算次数
Floating point operations per second/G参数量
Parameter quantity/MAcc-1准确率
Acc-1 accuracy/%召回率
Recall/%精确率
Precision/%F1分数
F1-scoreResNet-50 4.130 25.60 82.60 72.97 78.09 0.724 ResNet-50 (标签平滑
Label smoothing)4.130 25.60 85.10 76.45 80.27 0.761 GhostNet 0.156 5.18 83.31 75.21 78.85 0.746 ConvNext 15.400 87.50 84.27 76.20 79.62 0.759 MF-Net 1.740 10.40 86.80 78.37 81.80 0.781 
下载: 导出CSV
表 2 蝴蝶数据集下不同长尾模型识别性能
Table 2 Comparison of accuracy with different long-tailed methods on butterfly dataset
模型
ModelAcc-1 准确率
Acc-1 accuracy/%头部类别精度
Many-shot/%尾部类别精度
Few-shot/%DRC 80.90 87.27 69.03 BBN 82.20 88.02 68.97 ResNet-50 80.90 86.09 66.66 GhostNet 82.20 86.55 68.33 ConvNext 82.70 86.58 68.09 MF-Net 83.80 89.40 72.55
下载: 导出CSV
表 3 鱼类数据集下不同长尾识别模型对比
Table 3 Comparison of different long-tailed methods on fish dataset
模型
ModelAcc-1准确率
Acc-1 accuracy/%头部类别精度
Many-shot/%尾部类别性能
Few-shot/%BBN 84.37 89.43 72.55 DRC 83.59 88.73 69.80 MF-Net 86.80 90.17 76.53
下载: 导出CSV
表 4 平衡鱼类数据集下不同识别模型损失对比
Table 4 Comparison of different recognition methods with different losses in balanced fish dataset
模型
Model浮点运算次数
Floating point operations per second/G参数量
Parameter quantity/MAcc-1准确率
Acc-1 accuracy/%召回率
Recall/%F1分数
F1-scoreResNet-50 (交叉熵 Cross entropy) 4.130 25.60 90.32 90.04 0.892 ConvNext (交叉熵Cross entropy) 15.400 87.50 91.85 90.07 0.901 GhostNet (交叉熵Cross entropy) 0.156 5.18 91.34 90.37 0.905 MF-Net (交叉熵Cross entropy) 1.740 10.40 94.50 94.19 0.943 ResNet-50 4.130 25.60 89.80 88.87 0.889 ConvNext 15.400 87.50 92.50 92.24 0.925 GhostNet 0.156 5.18 92.25 92.16 0.923 MF-Net 1.740 10.40 94.05 93.73 0.937
下载: 导出CSV
-
[1] PRIMO A L. Ecology of marine fish larvae[M]//WALTER L F, ANABELA M A, LUCIANA B, et al. Encyclopedia of the UN sustainable development goals, life below water. New York: Springer Nature, 2021: 1-10.
[2] LI D L, WANG Z H, WU S Y, et al. Automatic recognition methods of fish feeding behavior in aquaculture: a review[J]. Aquaculture, 2020, 528: 735508. doi: 10.1016/j.aquaculture.2020.735508
[3] 麦广铭, 陈志劼, 王学锋, 等. 南海北部沿岸鱼类分类学多样性的空间格局[J]. 南方水产科学, 2022, 18(3): 38-47. doi: 10.12131/20210117 [4] CHEN W H, LIU J Y, ZHANG Y P, et al. Current status and accics of research on smart fishery in China: a literature review based on CNKI (2000−2022)[J]. Int J Environ Sustain Protect, 2023, 2(4): 24-32.
[5] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016: 770-778. DOI: 10.1109/CVPR.2016.90.
[6] LIU Z, LI Y T, CAO Y, et al. Swin transformer: hierarchical vision transformer using shifted Windows[C]//2021 IEEE/CVF International Conference on Computer Vision (ICCV), Montreal, QC, Canada, 2021: n9992-10002. DOI: 10.1109/ICCV48922.2021.00986.
[7] ZHUANG P Q, WANG Y L, QIAO Y. Wildfish++: a comprehensive fish benchmark for multimedia research[J]. IEEE T Multimedia, 2021, 23: 3603-3617. doi: 10.1109/TMM.2020.3028482
[8] LIU Z H, JIA X J, XU X S. Study of shrimp recognition methods using smart networks[J]. Comput Electron Agric, 2019, 165: 104926. doi: 10.1016/j.compag.2019.104926
[9] 汪小旵, 武尧, 肖茂华, 等. 水产养殖中智能识别技术的研究进展[J]. 华南农业大学学报, 2023, 44(1): 24-33. doi: 10.7671/j.issn.1001-411X.202204013 [10] YANG X T, ZHANG S, LIU J T, et al. Deep learning for smart fish farming: applications, opportunities and challenges[J]. Rev Aquac, 2021, 13(1): 66-90. doi: 10.1111/raq.12464
[11] RUM S N M, NAWAWI F A Z. FishDeTec: a fish identification application using image recognition approach[J]. Int J Adv Comp Sci Appl, 2021, 12. DOI: 10.14569/IJACSA.2021.0120312.
[12] 李均鹏, 祝开艳, 杨澍. 基于迁移学习的复杂场景海洋鱼类识别方法[J]. 计算机应用与软件, 2019, 36(9): 168-174. doi: 10.3969/j.issn.1000-386x.2019.09.030 [13] 姚润璐, 桂詠雯, 黄秋桂. 基于机器视觉的淡水鱼品种识别[J]. 微型机与应用, 2017, 36(24): 37-39. [14] CHRISTENSEN J H, MOGENSEN L V, GALEAZZI R, et al. Detection, localization and classification of fish and fish species in poor conditions using convolutional neural networks[C]. 2018 IEEE/OES Autonomous Underwater Vehicle Workshop (AUV), Porto, Portugal, 2018: 1-6. DOI: 10.1109/AUV.2018.8729798.
[15] PRAMUNENDAR R A, WIBIRAMA S, SANTOSA P I. Fish classification based on underwater image interpolation and back-propagation neural network[C] 2019 5th International Conference on Science and Technology (ICST), Yogyakarta, Indonesia, 2019: 1-6.
[16] POUYANFAR S, TAO Y D, MOHAN A, et al. Dynamic sampling in convolutional neural networks for imbalanced data classification[C]//2018 IEEE Conference on Multimedia Information Processing and Retrieval (MIPR), Miami, FL, USA, 2018: 112-117. DOI: 10.1109/MIPR.2018.00027.
[17] KANG B Y, XIE S N, ROHRBACH M, et al. Decoupling representation and classifier for long-tailed recognition[J]. arXiv, 2020: 1910.09217v2. DOI: 10.48550/arXiv.1910.09217.
[18] ZHANG S Y, LI Z M, YAN S P, et al. Distribution alignment: a unified framework for long-tail visual recognition[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Nashville, TN, USA, 2021: 2361-2370. DOI: 10.1109/CVPR46437.2021.00239.
[19] CUI Y, JIA M L, LIN T Y, et al. Class-balanced loss based on effective number of samples[C/OL]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2019: 9268-9277. [2023-11-10]. https://openaccess.thecvf.com/content_CVPR_2019/papers/Cui_Class-Balanced_Loss_Based_on_Effective_Number_of_Samples_CVPR_2019_paper.pdf.
[20] ZHOU B Y, CUI Q, WEI X S, et al. BBN: Bilateral-branch network with cumulative learning for long-tailed visual recognition[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Seattle, WA, USA, 2020: 9716-9725. DOI: 10.1109/CVPR42600.2020.00974.
[21] WANG W Q, ZHAO Z C, WANG P Y, et al. Attentive feature augmentation for long-tailed visual recognition[J]. IEEE T Circ Syst Vid Technol, 2022, 32(9): 5803-5816. doi: 10.1109/TCSVT.2022.3161427
[22] PANG S M, WANG W Y, ZHANG R Z, et al. Hierarchical block aggregation network for long-tailed visual recognition[J]. Neurocomputing, 2023, 549: 126463. doi: 10.1016/j.neucom.2023.126463
[23] HAN K, WANG Y H, TIAN Q, et al. GhostNet: more features from cheap operations[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Seattle, WA, USA, 2020: 1577-1586. DOI: 10.1109/CVPR42600.2020.00165.
[24] SZEGEDY C, VANHOUCKE V, IOFFE S, et al. Rethinking the inception architecture for computer vision[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016: 2818-2826. DOI: 10.1109/CVPR.2016.308.
[25] PAN F Y, LI S K, AO X, et al. Warm up cold-start advertisements: improving ctr predictions via learning to learn ID embeddings[C]//SIGIR'19: Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval, July 2019: 695-704. DOI: 10.1145/3331184.3331268.
[26] LOSHCHILOV I, HUTTER F. SGDR: Stochastic gradient descent with warm restarts[J/OL]. arXiv, 2017: 1608.03983v5. https://arxiv.org/pdf/1608.03983.pdf.
[27] WOO S, DEBNATH S, HU R H, et al. Convnext v2: Co-designing and scaling convnets with masked autoencoders[C]//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Vancouver, BC, Canada, 2023: n16133-16142. DOI: 10.1109/CVPR52729.2023.01548.
[28] XU C D, CAI R J, XIE Y H, et al. Fine-grained butterfly recognition via peer learning network with distribution-aware penalty mechanism[J]. Animals, 2022, 12(20): 2884. doi: 10.3390/ani12202884
-
期刊类型引用(1)
1. 薛尊，石建高，张文阳. 中国重力式深水网箱研究进展和展望. 渔业研究. 2024(04): 393-402 . 
百度学术
其他类型引用(1)
计量
- 文章访问数: 369
- HTML全文浏览量: 51
- PDF下载量: 63
- 被引次数: 2
粤公网安备 44010502001741号
