【机器视觉】卷积神经网络实现23类海洋生物识别，轻松解决课程作业

Mobilenet实现海洋生物识别

近几十年来，海洋生物多样性的成像技术飞速发展并逐渐成熟。随着海洋生态的特殊性及复杂性的日益增进，大量的图像或视频无法全部由人工处理，迫切需要识别相关内容、分类和标记的自主流程。所以，建立健全完善、分布广泛的监测网络是长久以来研究者们关注的问题。这种网络可以提供充足的有效信息与变量，并且能准确描述所观测物种的生态动态。

数据集
采用的海洋生物数据集是由台湾电力公司、台湾海洋研究所和垦丁国家公园在2010年10月1日至2013年9月30日期间，在台湾南湾海峡、兰屿岛和胡比湖的水下观景台收集的鱼类图像数据集，共生成了27370 个经过验证的鱼类图像。 整个数据集分为 23 个集群，每个集群由一个代表性物种呈现，这是基于类群单系范围内的突触特征。 代表性图像表示下图中显示的集群之间的区别，例如 有无成分（臀鳍、鼻、眶下）、具体数量（6条背鳍棘、2条背鳍棘刺）、特殊形状（第二条背鳍棘长）等。此图为代表 鱼种名称和检测数量。 数据非常不平衡，最常见的物种比最少的物种多出大约 1000 倍。

模型
将普通的三层CNN模型与预训练Mobilenet模型做对照组：

import paddle
import paddle.nn.functional as F

class MyCNN(paddle.nn.Layer):
    def __init__(self):
        super(MyCNN,self).__init__()
        self.conv1 = Conv2D(in_channels=3, out_channels=