计算机应用

作者：周雯, 谌雨章, 温志远, 王诗琦

单位：1.湖北大学 人工智能学院，武汉 430062；2.湖北大学 计算机与信息工程学院，武汉 430062

关键词：鱼类图像分类,位置编码,重叠切块嵌入,通道交互注意力,Vision Transformer

水下鱼类图像分类是一项极具挑战性的任务。传统Vision Transformer （ViT）网络骨干的局限性较大，难以处理局部连续特征，在图像质量较低的鱼类分类中效果表现不佳。为解决此问题，提出一种基于位置编码的重叠切块嵌入（OPE）和多尺度通道交互注意力（MCIA）的Transformer图像分类网络PIFormer （Positional overlapping and Interactive attention transFormer）。PIFormer采用多层级形式构建，每层以不同次数堆叠，利于提取不同深度的特征。首先，引入深度位置编码重叠切块嵌入（POPE）模块对特征图与边缘信息进行重叠切块，以保留鱼体的局部连续特征，并添加位置信息以排序，帮助PIFormer整合细节特征和构建全局映射；其次，提出MCIA模块并行处理局部与全局特征，并建立鱼体不同部位的长距离依赖关系；最后，由分组多层感知机（GMLP）分组处理高层次特征，以提升网络效率，并实现最终的鱼类分类。为验证PIFormer的有效性，提出自建东湖淡水鱼类数据集，并使用公共数据集Fish4Knowledge与NCFM（Nature Conservancy Fisheries Monitoring）以确保实验公平性。实验结果表明，所提网络在各数据集上的Top-1分类准确率分别达到了97.99%、99.71%和90.45%，与同级深度的ViT、Swin Transformer和PVT （Pyramid Vision Transformer）相比，参数量分别减少了72.62×106、14.34×106和11.30×106，浮点运算量（FLOPs）分别节省了14.52×109、2.02×109和1.48×109。可见，PIFormer在较少的计算负荷下，具有较强的鱼类图像分类能力，取得了优越的性能。

来源：2024年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第10期