赵正伟 朱宏进 杨根滕 王金坤

摘  要：针对传统的淡水鱼类图像识别方法速度慢、需要人工提取特征等问题，提出一种基于改进Res2Net模型的淡水鱼类图像识别算法。提出的改进方案如下：首先使用CELU激活函数代替ReLu激活函数;接着将残差块与混合注意力网络相结合;最后使用三个3×3卷积核替代Res2Net模型中第一个卷积层的7×7卷积核，同时在下采样的残差连接中加入平均池化层。实验结果表明，改进的网络在淡水鱼类图像分类上达到了96.34%的准确率，比Res2Net的准确率高3.67%，具有更加优异的性能，可为淡水鱼类识别提供参考。

关键词：淡水鱼;图像识别;注意力机制

中图分类号：TP391.4     文献标识码：A

Research on Classification of Freshwater Fish Images

based on Improved Res2Net Model

ZHAO Zhengwei， ZHU Hongjin， YANG Genteng， WANG Jinkun

（College of Electronic Information， Guangxi Minzu University， Nanning 530006， China）

zzwei@gxun.edu.cn; 1437489585@qq.com; ygt6686@126.com; 1823323212@qq.com

Abstract： Aiming at the slow speed of traditional freshwater fish image recognition methods and the need to manually extract features， this paper proposes an improved freshwater fish image recognition algorithm based on improved Res2Net model. The proposed improvement scheme is as follows： first， CELU activation function is used instead of ReLu. Then， the residual block is combined with the hybrid attention network. Finally， three 3×3 convolution kernels are used to replace the 7×7 convolution kernels of the first convolutional layer in Res2Net model. At the same time， an average pooling layer is added to the down-sampled residual connection. Experimental results show that the improved network achieves 96.34% accuracy in freshwater fish image classification， which is 3.67% higher than that of Res2Net. It has more excellent performance and provides a reference for freshwater fish recognition.

Keywords： freshwater fish; image recognition; attention mechanism

1   引言（Introduction）

中国是一个淡水鱼类养殖大国[1]，鱼类的快速识别是实现鱼类养殖自动化的前提，然而由于不同鱼类外形具有高度的相似性，这在很大程度上增加了鱼类分类的难度。近年来，卷积神经网络在计算机视觉领域展现出许多优越性，诞生了许多优秀的深度学习算法，例如GAO等于2019 年在残差网络ResNet[2]的基础上提出了一种新的多尺度特征提取方法Res2Net[3]，通过组合不同数量的卷积核来提取多尺度特征，达到了更佳的性能。ZHANG等在2021 年提出了一种新的注意力机制SANET[4]，通过分组结合通道注意力机制与空间注意力机制，提升模型对重要信息的关注度，可以有效地提高模型的性能。

本研究在分析经典Res2Net模型的基础上，对模型结构进行改进，并且引入混合注意力机制提高模型特征学习能力，通过构建淡水鱼类图像数据集，实现对10 种淡水鱼类图像的精确识别。……