目录
摘 要 II
关键词 II
ABSTRACT III
KEY WORDS III
1 绪论 1
1.1 研究背景 1
1.2 研究现状 2
1.2.1 基于小样本学习的图像分类 2
1.2.2 鱼类品种识别 3
1.3 本研究工作 3
2 相关理论基础 4
2.1 小样本学习 4
2.2 细粒度图像分类 7
2.3 迁移学习 9
3 研究设计与实现 10
3.1 系统整体框架 10
3.2 数据预处理 11
3.2 网络模型 12
3.2.4 迁移学习 16
4 结果分析 17
4.1 数据集 17
4.1.1 miniImageNet 17
4.1.2 Fish100 18
4.1.3 ImageNet 19
4.2 实验环境 20
4.3 实验参数设置 20
4.4 评价标准 21
4.5 实验结果 22
4.5.1 模型损失值对比 23
4.5.2 模型分类效果对比 23
4.5.3 参数设置对比 24
4.5.4 综合分析 31
4.5.5 在线鱼类品种识别 32
5 总结与展望 35
致谢 35
参考文献 36
基于小样本学习的鱼类品种识别研究
摘 要
准确有效地识别鱼类品种，对鱼类种群数量的观测及其栖息地生态环境的治理可起到重要作用。由于鱼类图像采集难度较大，且为细粒度图像分类问题，因而传统深度学习方法将受到很大的限制。小样本学习技术是一种新兴的图像识别技术，其仿照人类对于新事物的判别机制，通过仅观察极少量样本，便可实现类别判断，非常适用于鱼类品种识别的工作。本研究首先设计实现了一种使用残差网络进行特征提取的小样本学习模型；随后采用miniImageNet对其进行预训练，并通过模型迁移的方式将预 *51今日免费论文网|www.51jrft.com +Q: ^351916072* 
训练好的模型应用到鱼类品种识别上；然后采用鱼类图像数据集Fish100对其进行训练；随后采用Fish100数据集以及ImageNet中的鱼类类别对模型进行分类测试，检验模型对于鱼类品种识别的效果，并与现有的5种小样本学习模型进行比较。测试结果显示本研究所提出模型的识别效果最佳，在两个数据集上的分类精度分别达到了0.9084和0.8761，且精度、召回率和F值均高于其他各模型；随后通过调整实验参数的设置，得到了way、shot的变化对小样本学习模型识别效果的影响；最后，采用Flask框架，设计制作了鱼类品种识别网络平台，实现在线鱼类图像识别。
引言
1 绪论
1.1 研究背景
鱼类是脊椎动物中最大的门类，占据已命名脊椎动物的一半以上[1]。广泛分布于全球各淡水以及咸水环境中的鱼类，对人类的生活有着极为重要的影响。由于环境污染的加剧，全球水资源都受到了不同程度的污染，其中的鱼类也相应的受到波及，这也使得对鱼类种群及其生活环境的监督和保护变得尤为重要。通过采集或拍摄到的鱼类图像，利用人工智能方法进行鱼类品种的识别，可对鱼类种群数量的观测及其栖息地生态环境的治理起到重要的作用，在环境保护、学术研究以及经济生产方面，均有着重大的意义[1, 2]。
鱼类品种识别所属的图像分类问题，是计算机视觉领域的关键问题之一。随着深度学习的兴起，多种用于图像分类问题的深度学习模型得以实现[3, 4]，使得此领域的研究取得了重大的进展和突破。这些具有自主学习能力的神经网络模型，通过观察图像样本，学习它们之间的内在规律，掌握同一类别中不同样本的潜在联系，从而实现样本的类别判断[2]。由于深度学习模型具有强大的学习能力，其在进行样本之间联系的学习过程可全自动的进行，大大节省了人力；而由于深度学习的模型是通过一系列可学习的参数来控制学习过程，因而可以通过对这些参数进行调整，来优化其在指定类别判断中的性能，极为方便；目前，深度学习技术被广泛应用于图像、自然语言乃至语音的处理和识别，而在应用最早也最为广泛的图像识别领域中，已成为主流方法[4]。
然而大量的研究表明，这些深度学习模型普遍具有一个缺点，那就是它们的学习过程依赖于具有大量样本量，以及丰富类别的数据集，而这些数据集中数据的采集与标注，均要耗费大量的时间和人力。虽然传感器以及无人机、卫星等遥感平台的发展，使得图像数据的采集变得更加便利和高效，但对于一些需要在特定环境中进行拍摄的事物，如处于水下环境中的鱼类而言，图像采集的难度仍然较大，相应的标注数据集也不充足，因此在对此类事物进行分类时，传统的深度学习模型便因为数据的缺乏，受到了极大的限制[5]。
通过少量图像样本的观察，来对此前未曾见过的新实例进行分类的问题，被称作小样本图像分类（Fewshot image classification）问题[5]。在探讨此类问题的解决方案时，研究者们思考了人类对于新事物的判别过程。人类可以在面对一个未知类别的事物时，仅仅通过一次或几次对该事物的观察，甚至是没有任何观察的情况下，通过利用自己此前曾经观察过的事物构成的先验知识，正确地判断其类别。通过探索人类对于新事物的判别机制，研究者们提出了小样本学习（Fewshot learning）方法，其通过独特的网络模型结构、训练方式以及参数优化方法，让模型不仅能够学习到同一类别内不同数据样本之间的联系，还可以理解通过样本判断类别的共性过程[5, 6]。因此，此类方法所设计出的网络模型，在仅通过数张样本图像进行训练后，便可学习到新类别（Novel class）的分类方法，在大大降低了网络训练时的成本和复杂度时，也实现了对样本量不丰富数据的类别判断，为小样本图像分类问题提供了有效的解决方法。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/605735.html