来源：期刊VIP网 时间：
作者：王伟芳;殷健豪;高春奇;刘梁;
单位：大连海洋大学信息工程学院;
摘要：在鱼类个体识别的实际应用场景中，由于水下环境噪声大、鱼体角度倾斜以及类内特征差异不明显，导致卷积神经网络特征提取能力低下，影响识别准确性。针对该问题，提出一种增强细节信息特征提取的鱼类个体识别算法（FishNetv1）。改进YOLOv5网络并建立损失函数，优化鱼类个体目标的检测结果。主干网络在MobileNet-v1的基础上完成优化，改进深度卷积层，更新ReLU激活函数，使用Leaky ReLU保留负值特征信息，实现特征信息的获取。在网络结构末端全连接层前增加特征加权层，去除卷积神经网络中常用的池化层，完成图像细节信息的增强和特征提取。实验结果表明，所设计模型在DLOUFish数据集上的平均准确率为92.46%，最高准确率达到95.69%。
关键词：鱼类个体识别;;关键点检测;;特征提取;;MobileNet-v1;;YOLOv5网络;;特征加权
基金资助：国家自然科学基金项目：水下实时背景下鱼类精准识别新方法研究:融合VSM和DELM(31972846)
