王红君，季晓宇，赵辉, 2，岳有军

(1. 天津理工大学电气电子工程学院，天津市，300384； 2. 天津农学院工程技术学院，天津市，300392)

0 引言

语义分割能实现采集到的图像中每一个像素值的推断，从而为每个细粒度的像素值打上语义标签。随着不断的发展，语义分割已成为计算机视觉研究的重要方向之一，并应用于淡水鱼目标快速识别与检测领域[1]。

传统的目标检测方法包含选择区域、提取特征、分类器分类、定位目标等几个步骤[2]。基于学习方式的提取特征方法主要有边缘检测及阈值分割，如Otsu的基于最大类间方差阈值分割方法[3]和Canny的基于双阈值处理和边缘追踪的边缘检测算法[4]，手工提取的特征包括纹理、颜色、形状等，之后再通过SVM、AdaBoost、神经网络等方法训练分类器用来实现目标检测[5-6]。以往这些方法虽然参数的数量很少同时检测难易程度很低,但是提取的特征较难表征其中蕴含的深层像素信息，导致目标检测的结果与真实任务要求相距甚远。

随着人工神经网络(ANN)[7]与计算机技术的逐渐进步，不断改进的算法优化，深度学习的神经网络潜力，深度学习方法[8]在目标像素级的语义分割技术中也获得了巨大进步。鉴于此，本文提出了基于SENet[9]优化的Deeplabv3+淡水鱼体各部分语义分割模型[10]，利用Deeplabv3+中的空洞卷积提取图像语义特征，实现增大感受野，减少池化或下采样过程中丢失的淡水鱼边缘等细节信息，添加的空洞空间金字塔池化(ASPP)[11]结构进行多尺度特征融合，捕获图像上下文信息，逐步精细化分割结果，引入SENet到网络结构中，增强网络对特征维度的信息通道选择能力，降低识别错误率，优化网络性能，实现淡水鱼头、腹、鳍更加精细语义分割结果。……