0220001-1第60卷第2期/2023年1月/激光与光电子学进展研究论文基于样本迭代融合的海洋生物检测吴立栋1，彭宗举1，2*，李欣2，苏涛2，陈芬2，王晓东11宁波大学信息科学与工程学院，浙江宁波315000；2重庆理工大学电气与电子工程学院，重庆310027摘要海洋生物相互聚集形成遮挡现象是误检和漏检的重要原因。为了解决这个问题，提出一种采用样本迭代融合辅助网络训练的海洋生物检测方法。首先，选用改进后的深度空洞残差结构作为特征提取网络，提升了网络的特征提取能力；然后，结合海洋生物图像目标遮挡、密集的特点，改进损失函数避免发生误检、漏检现象；最后，为了进一步解决目标遮挡、数据不平衡的问题，提出样本迭代融合方法，生成模拟图像扩充训练集，提高了网络训练的有效性和对小样本量海洋生物的检测能力。实验结果表明，所提海洋生物检测方法在URPC2018和台湾鱼类数据集上的准确率分别达91.36%和90.27%，检测准确率和速度高于现有目标检测算法。关键词海洋生物检测；样本迭代融合；深度学习；水下目标检测识别；数字图像处理中图分类号TP391文献标志码ADOI：10.3788/LOP212567MarineCreatureDetectionBasedonSampleIterativeFusionWuLidong1,PengZongju1,2*,LiXin2,SuTao2,ChenFen2,WangXiaodong11FacultyofElectricalEngineeringandComputerScience,NingboUniversity,Ningbo315000,Zhejiang,China;2SchoolofElectricalandElectronicEngineering,ChongqingUniversityofTechnology,Chongqing310027,ChinaAbstractOcclusioncausedbygatheringofmarinecreaturestogetherisanimportantreasonforfalseandmisseddetections.Therefore,thisstudyproposesamarinecreaturedetectionmethodbasedoniterativefusionofsample-assistednetworktraining.First,animproveddeepholeresidualstructureisselectedasthefeatureextractionnetwork,whichimprovesthefeatureextractionabilityofthenetwork.Second,becauseoftheocclusionanddensecharacteristicsofmarinecreatureimages,thelossfunctionisimprovedtoavoidfalseandmisseddetections.Finally,tosolvetheproblemsoftargetocclusionanddataimbalance,asampleiterativefusionmethodisproposedtogenerateanextendedtrainingsetofsimulatedimages.Thisimprovestheeffectivenessofnetworktrainingandtheabilitytodetectmarinecreatureswithasmallsamplesize.Theexperimentalresultsshowthattheproposedmethodc...
