-
题名小样本条件下的典型海洋承灾体识别算法研究
- 1
-
-
作者
文莉莉
张炜
邬满
赵绪成
-
机构
广西科学院、广西近海海洋环境科学重点实验室、广西壮族自治区北部湾碳汇与低碳工程研究中心
广西电网有限责任公司、电力科学研究院、广西电力装备智能控制与运维重点实验室
广西大学电气工程学院
广西科技项目评估中心有限公司评估二部
-
出处
《应用海洋学学报》
北大核心
2025年第2期346-354,共9页
-
基金
广西科技重大专项(桂科AA22068072)
国家重点研发计划重点专项(2022YFD2401200)
国家自然科学基金重点支持项目区域创新发展联合基金(U20A20105)。
-
文摘
海洋承灾体的单体识别和精细化管理,对海洋灾害的精准预警和评估具有重要意义。由于海洋承灾体获取大量样本数据困难且成本高,难以满足传统深度学习模型的训练要求,因此本研究针对房屋、码头吊机、养殖网箱、养殖蚝排、危化品储存罐5种典型海洋承灾体,提出一种小样本条件下基于注意力机制和孪生残差网络的海洋承灾体识别方法。为增强小样本条件下模型的关键特征提取能力和泛化能力,本研究从两个方面进行了改进:①引入注意力机制SKNet对残差网络进行改进,设计了具有多尺度自适应能力的SKNet-ResNet-101网络,提高了模型的关键特征提取能力;②利用孪生网络度量学习的原理,以SKNet-ResNet-101网络为主干网络,构建基于注意力机制的双路孪生残差网络,以减少网络训练对大量样本的依赖,同时增强网络在小样本条件下的泛化能力。经过与FSOD、Meta R-CNN等算法在海洋承灾体、VOC、COCO数据集上的对比测试,改进后的双路孪生残差网络在识别准确率上均有所提高,其中,在海洋承灾体数据集上提高了0.89%,在VOC数据集上平均提高了0.97%,在COCO数据集上平均提高了0.33%。该模型增强了小样本条件下网络针对复杂场景图像特征的提取能力,为构建精细化的海洋承灾体脆弱性评价和灾变预警模型提供了技术基础。
-
关键词
小样本学习
SKNet
ResNet-101
孪生神经网络
海洋承灾体
-
Keywords
few-shot learning
SKNet
ResNet-101
twin neural networks
marine disaster-bearing body
-
分类号
P76
[天文地球—海洋科学]
-
