刘建明， 刘 煌

(桂林电子科技大学 计算机与信息安全学院,广西 桂林 541004)

利用人工智能对鱼类识别可以替代利用声呐的方法，减少对鱼类的伤害，然后通过直接分析观测代替出海调研，不仅保持获得数据的实时性，还加速了科研的进展。同时，精准有效的鱼类识别能够帮助相关科研人员了解其分布情况，节省大量人力物力，对渔业资源开发利用具有重大的学术价值和经济价值。

以往传统的方法是从鱼类图像中提取人工设置的特征，再将提取到的特征向量输入分类器进行训练和识别。然而，传统方法的性能取决于手工特征的选择、制作是否合理，不仅耗时耗力，而且泛化能力较弱，分类精度不高。近年来，随着深度学习的快速发展，Ding等[1]通过改变网络结构的深度，设计了3种简单的卷积神经网络(CNN)结构对鱼类进行识别；Qin等[2]提出了一个5层的深度鱼类识别网络，前几层由卷积层、非线性层、特征池化层、空间金字塔池化层构成，最后采用支持向量机(SVM)进行分类。但此类网络结构相对简单，不能很好地提取鱼类图像细节特征，仍需进一步改善。

鉴于生成对抗网络能够通过原始数据生成伪鱼类样本，大大增加了鱼类样本，从而有效地提升了模型的泛化性；双线性网络通过点积融合2个卷积神经网络的特征图，使网络对鱼类的细节部位掌握得更精准(如鱼身或鱼尾)。因此，基于对对抗双线性的细粒度鱼类图像网络(generative adversarial bilinear fish net，简称 GBN)对细粒度鱼类图像进行分类。……