亞歷克斯·L·斯隆尼默;斯坦·E·多索;亞歷山德拉·布蘭贊·阿爾布;梅麗莎·科特;圖奈·波爾圖·馬爾克斯;阿里雷扎，雷茲瓦尼法爾;卡恩·埃爾薩欣
發表于:IEEE海洋工程學報(第48卷第4期，2023年10月)
摘要:
回聲測深儀用于漁業和海洋觀測站，但需要大量的人工努力才能對多頻回聲圖中的感興趣物種進行分類。本文研究了使用修改后的 U-Net卷積神經網絡對回聲圖圖像中的生物和物理數據進行像素級分類，準確分類鯡魚和鮭魚學校、氣泡和海面。數據是在加拿大不列顛哥倫比亞省的海岸上收集的，使用四個頻率(67、125、200、455千赫)的聲學浮游動物和魚類剖面儀進行了兩年。此外，擬數據(水深和太陽仰角)提供了時空背景，以提高預測質量。在訓練和分類過程中，使用分塊策略將冗余構建到模型中。在訓練過程中，使用一組有限的注釋數據，平移增強編碼 U-Nets，使其具有穩健的特征，從而能夠應用于替代部署配置(較低的采樣率或替代水深)。為了確保廣泛適用性，這些網絡被訓練為分類保留噪聲的回波圖。表現最好的模型對鯡魚、鮭魚和氣泡類別的分類準確率分別為93.0%、87.3%和86.5%，即使在多個類別接近時也能得到準確的結果，從而保留了否則會因表面氣泡噪聲而被丟棄的生物數據。
A.L. Slonimer 等人，“使用 U-Net 神經網絡對多頻回聲圖中的鯡魚、鮭魚和氣泡進行分類”載于 lEEE 海洋工程雜志，第48卷，第4期，第1236-1254頁，2023年10月，doi:10.1109/JOE.2023.3272393
