摘要：针对现有的鱼类游动轨迹提取方法在提取效率和准确率方面不能同时兼顾的问题,提出了一种改进的deeplabcut方法用于鱼类背部关键点识别和定位。首先,选择了轻量级卷积神经网络模型EfficientNet-B0作为deeplabcut的主干网络模型,用于提取鱼类背部关键点的特征,为了增强EfficientNet-B0的表征能力,在网络模型中引入了改进的CBAM(Convolutional Block Attention Module)注意力机制模块,将CBAM中的空间注意力模块和通道注意力模块从原来的串行连接方式改为并行连接,以解决两种注意力模块之间因串行连接而导致的互相干扰问题。其次,基于MSE(Mean Squared Error)损失函数提出了一种分段式损失函数H_MSE用于模型的训练,分段式损失函数H_MSE相对于传统的损失函数具有较强的鲁棒性,其在处理数据中的异常值时能表现出较低的敏感性。最后,采用了半监督学习方法对关键点进行自动标记来减少人工标记数据时产生的误差。结果显示:相比于deeplabcut原始算法,识别误差RMSE(Root Mean Squared Error)平均降低了4.5像素;与目标检测算法Faster RCNN、SK-YOLOv5、ESB-YOLO、YOLOv8-Head-ECAM相比,识别误差RMSE平均降低了11.5像素,检测效果优于其他目标检测网络和原始网络,平均每张图像的检测时间为0.062 s,能够快速准确提取鱼道内鱼类的游动轨迹,为优化鱼道的水力设计指标提供了重要依据。

摘要：人脸轮廓提取应用广泛,研究一种用于完成人脸轮廓提取的数据集标记方案,提出基于关键点识别深度卷积网络deeplabcut的人脸轮廓提取方法。首先对女性平均人脸轮廓进行曲率分析,将人脸轮廓划分成3个部分,设计出分配方案并实验,获得较优分配布点方法;进一步分析人脸轮廓提取评价指标平均IOU与标定点数关系,得到30个标记点数即可满足要求;应用优化的标记方案标记指定小样本数据集,对deeplabcut进行迁移学习,获得得到轮廓提取方法所采用的模型;实验结果表明本文方法比Niko软件包识别效果提高5. 5%。