亚历克斯·L·斯隆尼默;斯坦·E·多索;亚历山德拉·布兰赞·阿尔布;梅丽莎·科特;图奈·波尔图·马尔克斯;阿里雷扎，雷兹瓦尼法尔;卡恩·埃尔萨欣
发表于:IEEE海洋工程学报(第48卷第4期，2023年10月)
摘要:
回声测深仪用于渔业和海洋观测站，但需要大量的人工努力才能对多频回声图中的感兴趣物种进行分类。本文研究了使用修改后的 U-Net卷积神经网络对回声图图像中的生物和物理数据进行像素级分类，准确分类鲱鱼和鲑鱼学校、气泡和海面。数据是在加拿大不列颠哥伦比亚省的海岸上收集的，使用四个频率(67、125、200、455千赫)的声学浮游动物和鱼类剖面仪进行了两年。此外，拟数据(水深和太阳仰角)提供了时空背景，以提高预测质量。在训练和分类过程中，使用分块策略将冗余构建到模型中。在训练过程中，使用一组有限的注释数据，平移增强编码 U-Nets，使其具有稳健的特征，从而能够应用于替代部署配置(较低的采样率或替代水深)。为了确保广泛适用性，这些网络被训练为分类保留噪声的回波图。表现最好的模型对鲱鱼、鲑鱼和气泡类别的分类准确率分别为93.0%、87.3%和86.5%，即使在多个类别接近时也能得到准确的结果，从而保留了否则会因表面气泡噪声而被丢弃的生物数据。
A.L. Slonimer 等人，“使用 U-Net 神经网络对多频回声图中的鲱鱼、鲑鱼和气泡进行分类”载于 lEEE 海洋工程杂志，第48卷，第4期，第1236-1254页，2023年10月，doi:10.1109/JOE.2023.3272393
