来源：期刊VIP网 时间：
作者：唐晓萌;缪新颖;
单位：大连海洋大学信息工程学院;设施渔业教育部重点实验室;
摘要：鱼类行为的活跃程度是鱼类行为研究中的关键指标，可为水产养殖过程提供有用的基础数据。然而现有的计算机视觉方法在活跃程度识别的应用中依赖于大量存储和计算资源，在实际场景中实用性较差。为了解决这些问题，提出一种鱼类摄食活动识别模型——L(2+1)D，将3D卷积分解为2D大空间卷积和1D时间卷积，使用少量的大型卷积核来增加感受野，实现更强大的特征提取效果。将空间卷积和时间卷积串联成用于时空特征学习的时空模块，并减少时空模块数量，达到减少参数数量的同时提高准确性的效果。实验结果表明，所提方法可以在实际水产养殖中准确识别鱼群的活跃程度，准确率可达到65.02%，并更适合部署在资源受限的设备或现场。
关键词：鱼类活跃程度;;卷积神经网络;;图像预处理;;特征提取;;时空特征学习;;行为量化
基金资助：设施渔业教育部重点实验室基金
