来源：期刊VIP网 时间：
作者：朱珈缘;孟娟;杜海;马媛媛;曹静雯;
单位：大连海洋大学信息工程学院;大连理工大学海岸和近海工程国家重点实验室;
摘要：针对纺锤形鱼类图像分割任务中存在的边缘不清、特征模糊等问题，提出一种基于多特征增强融合的纺锤形鱼类图像分割网络KoiU-Net。该网络在经典的U-Net模型基础上，设计了多尺度特征交叉感知模块和多尺度特征融合模块来增强对纺锤形鱼类特征的处理能力，以应对纺锤形鱼类图像分割中存在的边缘模糊、特征复杂的问题。同时，设计了多尺度上采样模块以提取更精细的特征信息。在纺锤形鱼类图像数据集上的实验表明，相较于原始U-Net等其他分割网络，KoiU-Net取得了平均98.63%的分割精度的显著提升。各设计模块的有效性也通过消融实验得以验证，尤其是多尺度特征交叉感知模块对提升分割性能具有关键作用。该研究为进一步实现纺锤形鱼类生长状态监测提供了有效的技术支撑，为该领域的进一步发展奠定了基础。
关键词：深度学习;;图像分割;;分割精度;;纺锤形鱼;;U-Net;;多尺度特征融合
