CN119494983A 一种基于深度学习的鱼类检测模型的构建方法及鱼类检测方法、系统 （宁德师范学院）

一种基于深度学习的鱼类检测模型的构建本发明公开一种基于深度学习的鱼类检测络ResNet上实现更优的效果；混合注意力结合GRA的通道注意力和基于CBP的空间注意力两个及不同层级宽度的要求，达到算法轻量化的目2建立深度学习网络，所述深度学习网络包括残差网络ResNet和在残差网络R一个残差块后连接有混合注意力模块；所述混合注意力子模块包括依次设置基于GRA的通使用鱼类图像样本集中的鱼类图像作为训练数据对深度学习网络传播计算深度学习网络输出，然后利用损失函数计算输出与训练数据的标签之间的差异，关联性矩阵通过行卷积与只有一个隐藏层的多层感知器得到维度为1x1xc的权重向将权重向量以相乘的方式逐通道加权到输入特征F中，获得带有通道注意力权重的特xm3将最大池化和平均池化所得特征分别沿通道展开，得到两组共4个2122；vec()表示矩阵的向量化操作。8.一种基于深度学习的鱼类检测方法，应用权利要求1_7中任意一项权利要求所述的检测单元，读取待检测鱼类图像，使用算法设置单元提供鱼类意一项权利要求所述的基于深度学习的鱼类检测模型的构建方法构4[0002]基于深度学习的鱼类检测及分类技术是一种利用深度学习算法来自动检测和识方案直接将CBAM(ConvolutionalBlockAttentionModule)混合注意力架构插入[0004]参见专利申请公布号为CN202211245772.2的基于通道非降维注意力机制与改进YOLOv5的ESB_YOLO模型养殖鱼群检测方法，该方案将CBAM架构引入YOLOv5算法以提升[0005]参见一种融合CBAM注意力机制和金字塔卷积的经济鱼类识别方法[J].江苏海洋[0008]为实现上述目的，本发明提供了一种基于深度学习的鱼中每一个残差块后连接有混合注意力模块；所述混合注意力子模块包括依次设置基于GRA5[0018]关联性矩阵通过行卷积与只有一个隐藏层的多层感知器得到维度为1×1×c的权[0019]将权重向量以相乘的方式逐通道加权到输入特征F中，获得带有通道注意力权重[0029]将空间权重矩阵以相乘的方式逐元素加权到输入带有通道注意力权重的特征F′22；6深度学习的鱼类检测模型的构建方法构建的鱼效果；混合注意力结合GRA的通道注意力和基于CBP的空间注意力两个维度的注意力机制，7例或附图所示的方位或位置关系，仅是为了便于描述本申请的具体实施例或便于读者理是直接相连，也可以通过中间媒介间接相连；其可以是两个元件内部的连通或两个元件的相互作用关系。对于本申请所属技术领域的技术人员而言，可以根据具体情况理解上述用语在本申请实施例中的具体含义。8灰色关联度分析)的通道注意力子模块能够关注对分类最多贡献的通道特征，而基于CBP中每一个残差块后连接有混合注意力模块；所述混合注意力子模块包括依次设置基于GRA的标签，其具体可以将鱼类图像样本集中的鱼类图像进行分割为鱼类部分和非鱼类部分，9[0066]上述深度学习网络包括残差网络ResNet和在残差网络ResNet中每一个残差块后能够根据读取待检测鱼类图像获得鱼类分类结果。上述的残差网络ResNet可以是ResNet_[0070]关联性矩阵通过行卷积与只有一个隐藏层的多层感知器得到维度为1×1×c的权[0071]将权重向量以相乘的方式逐通道加权到输入特征F中，获得带有通道注意力权重[0072]上述将对应残差块输出特征F进行通道降维，可以是采用1[0078]这个值通常是一个介于0和1之间的数，值越大表示两个[0083]将空间权重矩阵以相乘的方式逐元素加权到输入带有通道注意力权重的特征F′[0085]其中，使用CBP对最大池化和平均池化所得的特征进行融合的步骤，具体包括如22；⃞S(X)=FFT"(FrT(Y(,h,S.))-FFT(Y(,h,S2))),其中°表示逐元素乘法，FFT表示快速傅里叶变换；深度学习的鱼类检测模型的构建方法构建的鱼路径以设定的频率批量读取待检测鱼类图像完