2、优化卷积神经网络在动物图像检测中的应用

优化卷积神经网络在动物图像检测中的应用

在当今的计算机视觉领域，动物图像检测是一个具有挑战性但又极具实际应用价值的任务，尤其是在低光照环境下的动物图像检测。本文将介绍一种优化的卷积神经网络在这方面的应用，包括相关工作、数据集、边缘检测技术、算法流程以及实验结果等内容。

相关工作

在动物图像检测领域，已经有许多研究人员提出了不同的方法和模型：
- Fu等人 ：提出了“deepside”框架，用于整合卷积神经网络特征，并提出了新的融合方法以获取物体的高精度边界细节。该框架包含VGG - 16和深度边缘结构的主干，学习率为10 - 9，批量大小为1，线性和非线性框架的推理时间分别为0.08秒和0.07秒。
- Hou等人 ：提出了一种用于显著物体检测的新型显著性方法，通过在整体嵌套边缘检测器中加入短连接设计框架。学习率为1e - 8，权重衰减为0.0005，训练时间为8小时，每张图像的处理时间为0.08秒，数据增强使性能提高了0.5%。
- Jia等人 ：提出了一种能高效传递全局信息的显著物体检测方法，将VOC数据集和ImageNet混合形成新数据集，在PASCAL - S数据集上获得了0.87的F - 度量。
- Ren等人 ：提出了一个全卷积网络来估计物体边界和分数，在GPU上的帧率为5帧/秒。
- Liu等人 ：提出了一个用于区域检测的模型，结合中心显著性、中心、背景显著性和前景，在MSRA - 1000数据集上的运行时间为0.2秒/图像，能检测到接触图像边界的重