基于Se-ResNet101+KNN的鱼类分类研究

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