基于Se-ResNet101+KNN的鱼类分类研究
作者: 张守棋 苏海涛
摘要:在海洋科学研究中,对鱼类物种的鉴定在水生生态系统和质量评估中具有重大意义。传统的机器学习方法使用人工事先提取、标注鱼类特征,耗时、耗力且主观性太强。为了提升模型信息特征的敏感性和结果的准确率,本文提出了一种基于Se-ResNet101网络和KNN算法组合的鱼类识别方法。首先,提取并分析数据集,了解其结构和组成部分,并对图像进行预处理,如图像缩放、图像增强等。其次,Se模块中包含一个全局平均池化操作(squeeze) ,两个全连接层(excitation) 和一个Relu,以此特征提升敏感性。将特征信息导入Se-ResNet101网络进行池化、卷积等操作。最后,将全连接层的特征信息通过KNN算法进行预分类。最终得到准确率为98.83%,和ResNet系列网络对比,Se-ResNet101网络得到的准确率最高。
关键词:Se-ResNet101; KNN; 图像分类
中图分类号:TP391 文献标识码:A文章编号:1009-3044(2023)18-0033-05
上一篇
点击页面呼出菜单
下一篇