文章-世纪中文出版社

具有双层路由注意力机制的YOLOv8血鹦鹉目标检测与追踪方法下载：19 浏览：252

李鹏龙1,2 张胜茂2 沈烈1 樊伟2 顾家辉1 邹国华3 《中国水产学报》 2024年3期

摘要:

为了检测观赏鱼类的行为及其健康状况，设计了一种具有双层路由注意力机制的血鹦鹉(Vieja synspila♀×Amphilophus citrinellus♂)目标检测模型YOLOv8n-BiFormer,该方法在YOLOv8n模型基础上添加了双层路由注意力以减少计算量和内存，添加了新的视觉通用变换器BiFormer以提升计算效率，并采用ByteTrack算法追踪血鹦鹉的运动轨迹。结果表明：使用YOLOv8n-BiFormer模型对血鹦鹉的检测准确率达到99.2%,召回率为93.7%,平均精度均值(mAP@0.5)为99.1%,相较于YOLOv8n模型分别提升了0.8%、1.4%、1.0%;使用该模型对水族箱中的慈鲷(Chindongo demasoni)进行检测追踪同样取得了较好的效果，慈鲷的检测准确率达到97.0%,召回率为93.4%,平均精度均值为96.5%,相较于YOLOv8n模型召回率和平均精度分别提升了1.8%和1.9%。研究表明，本文中设计的YOLOv8n-BiFormer模型具有通用性，在检测和追踪血鹦鹉和慈鲷目标方面均表现优异，消耗的计算资源较少，可部署在水族箱监控系统中，为观赏鱼信息记录自动化和智能化提供了可行的解决方案。

一种联合空间变换和置换注意力机制的近岸水产养殖区信息提取方法下载：24 浏览：247

巫统仁1,2,3 张显3 刘培1,2,4 文婷婷1,2,3 邹振学1,2,3 《中国水产学报》 2024年3期

摘要:

为解决水产养殖区遥感提取过程中近岸坑塘养殖目标和网箱养殖目标地物背景复杂，受房屋、植被、海水和船只等干扰提取精度较低等问题，提出了一种联合空间变换和置换注意力机制的近岸水产养殖区信息提取方法SA-STN-Net,选取海南省文昌市八门湾和万宁市坡头港为研究区域，先利用光谱特征和纹理特征构建水产养殖目标先验知识，然后在U-Net模型基础上联合空间变换网络(spatial transformer network, STN)和置换注意力机制(shuffle attention, SA),用于增强养殖目标空间特征、减少复杂地物的干扰并聚焦近岸水产养殖区域。结果表明：与原始U-Net模型相比，SA-STN-Net模型的总体提取精度和平均交并比提高了3.3%和5.7%;与当前较为先进的A2fpn、Swin-Transformer和Dc-Swin等深度学习分割算法相比，SA-STN-Net模型具有更好的分割性能，F1分数分别提高了6.7%、4.2%和7.2%。研究表明，本文提出的SA-STN-Net模型能适应近岸水产养殖目标地物背景复杂的情况，可对近岸养殖目标进行有效提取，本研究结果可为近岸规划与管理部门提供技术支持。

基于改进BiRTE的渔业健康养殖标准复杂关系抽取下载：28 浏览：251

宋奇书1,2,3,4 于红1,2,3,4 乔诗晗1,2,3,4 罗璇1,2,3,4 李光宇1,2,3,4 邵立铭1,2,3,4 张思佳1,2,3,4 《中国水产学报》 2024年1期

摘要:

为解决渔业健康养殖标准文本关系抽取领域特定性强、语意复杂导致关系抽取准确率不高等问题，提出了基于改进BiRTE的渔业健康养殖标准复杂关系抽取方法，针对实体和语义关联建模，将RoBERTa作为编码器，采用全词掩码和动态掩码的方式增强词向量特征表示，并在此基础上融合了自注意力机制(Self-Attention, SelfATT)将实体特征与关系特征结合聚焦，加强实体抽取与关系预测的联系，从而提升渔业标准文本抽取的准确性。结果表明：本文提出的基于改进BiRTE的渔业健康养殖标准复杂关系抽取模型(RoBERTa-BiRTE-SelfATT)对渔业标准复杂关系抽取的准确率、召回率和F1值分别为95.9%、95.4%、95.7%,较BiRTE模型分别提升了4.2%、3.1%、3.8%。研究表明，本文提出的渔业健康养殖标准复杂关系抽取模型RoBERTa-BiRTE-SelfATT可以有效解决渔业标准文本关系抽取中专有名词识别不准确、语意复杂导致实体关系难以抽取的问题，是一种有效的渔业标准复杂关系抽取方法。

基于通道非降维与空间协调注意力的改进YOLOv8养殖鱼群检测下载：48 浏览：287

涂万1,2 于红1,2 张鹏1,2 韦思学1,2 张鑫1,2 杨宗轶1,2 吴俊峰1,2 林远山1,2 胡泽元1,2 《中国水产学报》 2023年4期

摘要:

为解决真实养殖环境中因鱼群模糊、遮挡造成的鱼类目标检测困难等问题，采用基于通道非降维与空间协调注意力ECAM(efficient coordination attention module)的改进YOLOv8养殖鱼群检测方法YOLOv8-Head-ECAM以提高检测精度。首先在FPN(feature pyramid network)中增加大尺寸检测头，更好地捕捉水下鱼类个体的细节信息，以加强对鱼群特征的提取能力，然后使用ECAM注意力机制减少模糊背景的干扰，聚焦鱼类个体的关键特征，以加强对模糊鱼群的识别能力，并设计了消融试验和模型对比试验以验证算法的有效性。结果表明：相比于YOLOv8,YOLOv8-Head-ECAM模型的准确率、召回率和平均精度均值分别提高了2.3%、1.7%和1.6%;与目前检测准确率较高的养殖鱼群检测模型KAYOLO、DCM-ATM-YOLOv5、SK-YOLOv5和ESB-YOLO相比，平均精度均值分别提高了0.7%、1.0%、2.4%和2.0%。研究表明，本文中提出的YOLOv8-Head-ECAM模型能够较好地适应水下鱼群模糊、遮挡的情况，提高了鱼群检测的有效性。

基于改进YOLO v7的微藻轻量级检测方法下载：68 浏览：287

吴志高陈明《中国水产学报》 2023年1期

摘要:

为了解决传统的微藻检测方法依赖于复杂的设备和大量的人工操作，不仅耗时长且检测结果易受检测人员技术经验影响等问题，结合微藻显微图像特征，采用K-means++算法聚类锚框，并基于YOLO v7模型，提出一种轻量级实时检测微藻的方法YOLO v7-MA。该方法将GhostNet引入YOLO v7模型中作为主干特征提取网络，以减少网络的参数量，同时将特征融合网络中的普通卷积块替换为深度可分离卷积块，进一步降低模型的计算复杂度，并在特征融合网络中加入CBAM注意力模块，以提高网络的特征表达能力。结果表明：在14种微藻数据集上的试验显示，本研究中提出的YOLO v7-MA模型的平均精度均值为98.56%,召回率为96.88%,F1值为97.42%,参数量为22.64×10～6,浮点运算次数(FLOPs)为38.45×10～9;相较于YOLO v7模型，YOLO v7-MA模型平均精度均值提高了0.95%,召回率和F1值分别提高了1.15%、0.23%,参数量和FLOPs分别降低了14.63%和66.55%;相较于FasterRCNN-VGG16、FasterRCNN-Resnet50、YOLO v4、YOLO v4-Mobilenet v3、YOLO v4-VGG16、YOLO v4-Resnet50和YOLO v5s等模型，YOLO v7-MA模型的平均精度均值也均有提高，参数量均有减少。研究表明，YOLO v7-MA模型能够为微藻的识别分类提供一种轻量化的实时高效检测方法，大大降低了检测人员的工作量。

基于自注意力机制和CNN-LSTM深度学习的对虾投饵量预测模型下载：48 浏览：317

何津民1 张丽珍1,2 《中国水产学报》 2022年4期

摘要:

为提高对虾饲料的利用率，减少养殖成本，提高养殖效益，提出了一种基于自注意力机制(self-attention, ATTN)和卷积神经网络(convolutional neural network, CNN)-长短期记忆网络(long short term memory, LSTM)的对虾投饵量预测模型(CNN-LSTM-ATTN),以水温、溶解氧、对虾的数量与质量作为预测模型的输入数据，通过CNN挖掘输入数据间的内在联系，提取出数据特征信息，利用LSTM的长期记忆能力保存数据特征信息，使用ATTN突出不同时间节点数据特征的重要性，进一步提升模型的性能。结果表明，本研究中提出的CNN-LSTM-ATTN预测模型的均方根误差、平均绝对误差和平均绝对百分误差分别为0.816、0.681和0.018,均小于BP(back propagation)神经网络、LSTM和CNN-LSTM 3个基准模型，其模型预测能力和稳定性优于其他模型。研究表明，本研究中构建的模型能较好地实现对虾投饵量的准确预测，可为对虾养殖投饵量的管理调控提供参考依据。

融合SKNet与YOLOv5深度学习的养殖鱼群检测下载：54 浏览：324

赵梦1,2 于红1,2 李海清1,2 胥婧雯1,2 程思奇1,2 谷立帅1,2 张鹏1,2 韦思学1,2 郑国伟1,2 《中国水产学报》 2022年3期

摘要:

为解决真实养殖环境下，水下成像模糊、失真等导致鱼群检测准确率低的问题，提出一种融合视觉注意力机制SKNet (selective kernel networks)与YOLOv5(you only look once)的养殖鱼群检测方法(SK-YOLOv5模型),该方法首先采用UNet(convolutional networks for biomedical image segmentation)对图像进行预处理，得到清晰的鱼群图像，然后将SKNet融合到YOLOv5的Backbone端构成关注像素级信息的特征提取网络，加强对模糊鱼体的识别能力，并在水下模糊鱼群图像数据集上进行了消融试验和模型对比试验，以验证SK-YOLOv5的有效性。结果表明：在鱼群检测任务上，SK-YOLOv5的识别精确率和召回率分别达到了98.86%和96.64%,检测效果比YOLOv5分别提升了2.14%和2.29%,与目前检测准确率较高的水下目标检测模型XFishHmMp和FERNet相比，SK-YOLOv5取得了较好的检测效果，与XFishHmMp模型相比，识别精确率和召回率分别提升了5.39%和5.66%,与FERNet模型相比，识别精确率和召回率分别提升了3.59%和3.77%,实现了真实养殖环境下鱼群的准确检测。研究表明，融合SKNet与YOLOv5的养殖鱼群检测方法，有效地解决了水下模糊图像鱼群检测准确率低的问题，提升了养殖鱼群检测和识别的整体效果。

基于注意力机制和深度学习模型的外来海洋生物命名实体识别下载：68 浏览：365

贺琳张雨巴韩飞《中国水产学报》 2021年3期

摘要:

为解决因外来海洋生物领域实体复杂且实体间存在嵌套导致命名实体识别效果较差等问题,提出基于融合注意力机制的卷积神经网络(CNN)-双向门控循环单元网络(BiGRU)-条件随机场(CRF)网络模型进行外来海洋生物命名实体识别,并构造词向量、词性特征向量等特征作为网络模型的联合输入,以提升网络模型识别效果。结果表明:使用融合多特征向量的CNN-BiGRU-CRF网络模型对外来海洋生物名称实体、时间实体、地名实体3类实体上的命名实体识别结果平均准确率达到了90.62%,平均召回率达到了89.50%,平均F1值达到了90.05%,较传统命名实体识别方法均有较大提高。研究表明,本研究中提出的网络模型可以充分提取文本特征,解决了文本的长距离依赖问题,对外来海洋生物领域的命名实体识别具有较好的识别效果。

融合注意力的遥感建筑物图像分割方法下载：62 浏览：877

谢子奕《信号处理与图像分析》 2024年6期

摘要:

为了解决遥感建筑物图像分割中存在的挑战和现有方法的局限性，提出了一种基于注意力机制和多尺度特征融合的深度学习方法。首先，综述了传统和深度学习方法在遥感图像分割中的应用，并重点讨论了注意力机制及其在图像处理中的作用。在方法部分，详细描述了所提出的整体框架和网络结构，包括融合注意力机制、多尺度特征融合以及双路径编码方法的设计与实现。接着，通过广泛的实验验证和结果分析，证明了所提方法在多个数据集上的有效性和优越性，改进的网络模型显著提升了对建筑物图像的分割效果。

	在线客服
	客服电话：400-188-5008
	客服邮箱：service@ccnpub.com
	投诉举报：feedback@ccnpub.com

	在线客服：：点击联系客服
	联系电话：：400-188-5008
	客服邮箱：：service@ccnpub.com
	投诉举报：：feedback@ccnpub.com