• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于R-FCN_ResNet 的深海冷泉區(qū)生物的識(shí)別與分布研究

    2020-10-09 07:42:04李海菊管利聰李超倫欒振東
    海洋科學(xué) 2020年9期
    關(guān)鍵詞:冷泉貽貝深海

    李海菊, 連 超 , 管利聰, 李超倫 , 欒振東

    (1. 青島科技大學(xué) 自動(dòng)化與電子工程學(xué)院, 山東 青島 266061; 2. 中國科學(xué)院海洋地質(zhì)與環(huán)境重點(diǎn)實(shí)驗(yàn)室,山東 青島 266071; 3. 中國科學(xué)院海洋研究所深海中心, 山東 青島 266071; 4. 中國科學(xué)院海洋生態(tài)與環(huán)境科學(xué)重點(diǎn)實(shí)驗(yàn)室, 山東 青島 266071; 5. 中國科學(xué)院大學(xué), 北京 100049; 6. 中國科學(xué)院海洋大學(xué)科研究中心,山東 青島 266071)

    冷泉流體是海底沉積界面下溢出的由天然氣水合物分解后產(chǎn)生的一些富含甲烷、硫化氫和二氧化碳等組分的流體[1-3]。深海冷泉區(qū)活躍著大量化能自養(yǎng)菌, 其驅(qū)動(dòng)形成了繁茂的深海無脊椎生物群落[4], 主要包括以潛鎧蝦(Shinkaia crosnieriBaba & Williams,1998)為主的甲殼類和以深海偏頂蛤(Bathymodiolus platifrons)為主的貽貝。研究深海冷泉區(qū)生物的種類、數(shù)量、分布等情況是認(rèn)知冷泉生態(tài)系統(tǒng)的必然要求,對(duì)尋找天然氣水合物有重要參考價(jià)值, 同時(shí)也是后續(xù)評(píng)價(jià)資源開發(fā)、環(huán)境影響的重要依據(jù)[5]。然而, 從深海底采集獲得的超大數(shù)據(jù)量冷泉生物圖像給生物學(xué)家在數(shù)據(jù)處理與分析方面的工作增加了難度。如何快速準(zhǔn)確地識(shí)別生物種類和數(shù)取生物數(shù)量, 并且清晰直觀地復(fù)現(xiàn)海域生物分布情況, 是本文的研究方向和目的。

    基于深度學(xué)習(xí)的圖像目標(biāo)識(shí)別是當(dāng)前較為前沿的解決這類問題的方法。該方法利用深度神經(jīng)網(wǎng)絡(luò)自動(dòng)提取目標(biāo)物體的特征, 通過人工標(biāo)注數(shù)據(jù)集并進(jìn)行訓(xùn)練, 訓(xùn)練后導(dǎo)出的模型用于目標(biāo)物體的識(shí)別[6]??傮w來說, 主要包括兩個(gè)部分: 第一部分是特征提取網(wǎng)絡(luò), 用于提取不同層次、不同分辨率的語義特征。目前較為流行的有: AlexNet[7]、VGGNet[8]、ResNet[9]、MobileNet[10]等。第二部分是定位和分類網(wǎng)絡(luò), 通過學(xué)習(xí)第一部分提取出的圖像特征, 來找尋目標(biāo)物體的位置并指出目標(biāo)物體的類別, 這是圖像目標(biāo)識(shí)別方法的核心。

    自2013 年以來, 基于卷積神經(jīng)網(wǎng)絡(luò)(convolution neural networks, CNNs)的定位和分類網(wǎng)絡(luò)已然成為目標(biāo)檢測任務(wù)的主要算法之一, 它通過從低級(jí)特征構(gòu)建高級(jí)特征來學(xué)習(xí)特征層次結(jié)構(gòu), 以此實(shí)現(xiàn)對(duì)圖像中的目標(biāo)定位和分類[11]。目前主要分為兩大類: 一類是以Faster R-CNN[12]為代表的兩步檢測(Regionbased/Two-stage detector)算法; 另一類是以SSD(Single shot multibox detector)[13]為代表的單步檢測(Regionfree/One-stage detector)算法。

    基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法發(fā)展迅速, 多用于小樣本的遷移學(xué)習(xí), 在海洋生物領(lǐng)域也有涉及[14]。Lu 等[15]提出一種過濾深層卷積網(wǎng)絡(luò)(Filtering deep convolutional network, FDCNet)對(duì)深海生物進(jìn)行分類, 其分類準(zhǔn)確率分別比目前較為先進(jìn)的分類方法AlexNet、GooLeNet[16]、ResNet50 和ResNet101 高1.8%, 2.9%, 2.0%和1.0%。Zhou 等[17]提出了3 種專門用于水下成像的數(shù)據(jù)增強(qiáng)方法, 結(jié)合更快的基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(Faster region-based convolutional neural network, Faster R-CNN)驗(yàn)證了該方法對(duì)海洋生物檢測和識(shí)別的有效性。用3 種數(shù)據(jù)增強(qiáng)方式得到的海洋生物增廣數(shù)據(jù)集, 相較于原始數(shù)據(jù)集,大大提高了Faster R-CNN 模型的效率。Liu 等[18]提出一種基于BP 神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Networks, BPNN)的三維海洋生物入侵預(yù)警模型。通過BP 神經(jīng)網(wǎng)絡(luò)檢測不同流速下海洋生物與入侵生物的密度, 以此估計(jì)它們之間的關(guān)系, 并建立預(yù)警模型。實(shí)驗(yàn)結(jié)果表明, 該預(yù)警模型能夠有效地描述入侵強(qiáng)度和預(yù)警等級(jí)。以上文獻(xiàn)為本文深海冷泉生物的識(shí)別提供了思路。

    本文改進(jìn)識(shí)別準(zhǔn)確度較高的深度學(xué)習(xí)模型——R-FCN_ResNet, 以此研究復(fù)雜背景下深海冷泉生物的識(shí)別。首先, 本文使用中國科學(xué)院海洋研究所(IOCAS)提供的中國臺(tái)西南冷泉區(qū)的圖像, 建立了深海冷泉生物數(shù)據(jù)庫。然后, 使用基于區(qū)域的全卷積網(wǎng)絡(luò)(Region-based fully convolutional networks,R-FCN)來學(xué)習(xí)數(shù)據(jù)庫的參數(shù), 并進(jìn)行識(shí)別和分類。最后復(fù)現(xiàn)了該片海域主要的生物分布情況。

    1 R-FCN_ResNet 算法

    1.1 R-FCN 檢測框架

    基于區(qū)域的全卷積網(wǎng)絡(luò)屬于兩步檢測算法[19],其網(wǎng)絡(luò)結(jié)構(gòu)見圖1。所謂兩步檢測, 第一步就是從一系列特征圖中提取目標(biāo)物體特征, 生成分類獨(dú)立的區(qū)域建議網(wǎng)絡(luò)(Region proposal network, RPN)[20]和位置敏感得分圖, 即找到圖像中含有目標(biāo)物體的候選框, 并且給出每個(gè)候選框的對(duì)應(yīng)得分。該部分實(shí)現(xiàn)了區(qū)域建議網(wǎng)絡(luò)與分類網(wǎng)絡(luò)之間的權(quán)值共享, 提升了網(wǎng)絡(luò)檢測的速度和性能。第二步就是利用非極大值抑制(Non-maximum suppression, NMS), 對(duì)具體類概率和位置回歸的綜合得分進(jìn)行去重和投票, 以此達(dá)到定位和分類目標(biāo)物體的目的。該部分是R-FCN 框架的關(guān)鍵部分。

    圖1 R-FCN 網(wǎng)絡(luò)結(jié)構(gòu)Fig. 1 R-FCN network structure

    1.2 ResNet 特征提取網(wǎng)絡(luò)

    2015 年, 在 ImageNet 挑戰(zhàn)賽上, 殘差網(wǎng)絡(luò)(Residual networks, ResNet)在圖像分類任務(wù)上取得了很高的準(zhǔn)確率, 在眾多網(wǎng)絡(luò)中脫穎而出[21-22]。圖2展示了ResNet 模型的基礎(chǔ)結(jié)構(gòu): 殘差學(xué)習(xí)塊。其中,X表示恒等映射,F(X)表示殘差映射, ReLU(Rectified linear unit)表示激活函數(shù)。

    圖2 殘差學(xué)習(xí)塊Fig. 2 Residual learning block

    殘差學(xué)習(xí)塊并不是通過一個(gè)層或者多個(gè)層直接擬合所需的映射, 而是將恒等映射和殘差映射同時(shí)擬合進(jìn)所需的映射中, 以此提取到從淺層到深層的特征。因此, ResNet 利用殘差學(xué)習(xí)塊, 解決了深度卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練速度慢和容易出現(xiàn)梯度爆炸或梯度消失的問題。

    1.3 算法改進(jìn)

    在提取更細(xì)微和更深層次的目標(biāo)物體特征時(shí),R-FCN 算法達(dá)不到很好的效果。特別是在對(duì)本文研究對(duì)象——潛鎧蝦和貽貝這種小目標(biāo)物體進(jìn)行檢測時(shí), 往往會(huì)發(fā)生錯(cuò)檢和漏檢的情況。而ResNet 利用其獨(dú)特的殘差注意力機(jī)制提取從淺層到深層的圖像特征, 使不同層次的特征圖能夠捕捉圖像中的多種響應(yīng)結(jié)果。因此本文將ResNet 作為目標(biāo)檢測的基礎(chǔ)網(wǎng)絡(luò), 用于特征提取。 改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)R-FCN_ResNet 見圖3。

    圖3 R-FCN_ResNet 網(wǎng)絡(luò)結(jié)構(gòu)Fig. 3 R-FCN_ResNet network structure

    另外, 對(duì)于小目標(biāo)物體檢測, 在提取候選框時(shí),如果anchor[13]過大, 會(huì)導(dǎo)致許多重要信息丟失。因此為了提取到更多有用的信息, 本文設(shè)置了更小尺寸的anchor。

    2 數(shù)據(jù)集制作與模型訓(xùn)練

    本文主要對(duì)深海冷泉生物圖像進(jìn)行識(shí)別研究,并復(fù)現(xiàn)某片海域的生物分布情況。圖4 是本文的研究流程圖。研究步驟包括: 數(shù)據(jù)集制作、模型訓(xùn)練、模型評(píng)估。其中, 數(shù)據(jù)集制作包括圖像獲取、圖像切割、圖像標(biāo)注和圖像格式轉(zhuǎn)換等步驟; 模型訓(xùn)練是整個(gè)研究的重心部分, 包括框架搭建、參數(shù)設(shè)定、參數(shù)整定等內(nèi)容; 模型評(píng)估主要從多個(gè)方面對(duì)比單步檢測網(wǎng)絡(luò)和兩步檢測網(wǎng)絡(luò)對(duì)本文數(shù)據(jù)集的適用性。

    圖4 研究流程Fig. 4 Research process

    2.1 數(shù)據(jù)集制作

    本文原始數(shù)據(jù)集的來自中國科學(xué)院海洋研究所。利用深海三維激光影像掃描技術(shù)在臺(tái)西南冷泉區(qū)獲取原始圖像, 然后利用航空攝影矯正技術(shù)將以上大量原始圖像拼接成一張大小為13.4 GB 的深海冷泉生物圖片(見圖5a)。根據(jù)單位換算, 知其面積約為150 m×200 m。將拼接圖片等分切割成6 400 份, 每份大小約為410 kB, 面積約為2.7 m×2.9 m(見圖5b)。分辨率寬約為1 368 像素, 高約為1 382 像素。并將這些張圖片按6∶2∶2 的比例隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測試集。然后, 對(duì)訓(xùn)練集和驗(yàn)證集圖片中目標(biāo)生物進(jìn)行大量的人工標(biāo)注。標(biāo)注時(shí)要注意將生物的各種形態(tài)都包括進(jìn)去, 這是衡量模型好壞的關(guān)鍵。標(biāo)注的目標(biāo)生物包括: 貽貝(見圖5d)1 類初級(jí)消費(fèi)者, 潛鎧蝦(見圖5c)、螃蟹、魚和螺4 類次級(jí)消費(fèi)者, 共5 類。其中貽貝9 153 個(gè), 占比66.03%,潛鎧蝦2 684 個(gè), 占比16.91%。初步判斷, 此片海域中的螃蟹、魚等次級(jí)消費(fèi)者數(shù)量極少, 這對(duì)探究深海冷泉生物密集度和海底冷泉活躍度以及尋找天然氣水合物的影響極小。

    圖5 深海冷泉生物圖像樣本集Fig. 5 Sample set of deep-sea cold-spring biological images

    2.2 模型訓(xùn)練

    模型的訓(xùn)練就是預(yù)學(xué)習(xí)生物的形態(tài)特征, 在不斷學(xué)習(xí)生物特征的同時(shí), 也不斷地矯正生物特征向量的權(quán)值。模型訓(xùn)練和測試所用的中央處理器(Central processing unit, CPU)為Intel Core i5-8400, 圖形處理器(Graphics Processing Unit, GPU)為GeForce GTX 1060,內(nèi)存為6GB。深度學(xué)習(xí)框架是TensorFlow(https://github.com/tensorflow/tensorflow), 該框架對(duì)輸入圖片尺寸沒有限制, 因此不再需要對(duì)圖片的尺寸進(jìn)行歸一化處理。

    在模型訓(xùn)練前, 需要對(duì)一些參數(shù)進(jìn)行設(shè)置, 以期達(dá)到好的訓(xùn)練效果。將訓(xùn)練迭代步數(shù)設(shè)置為25 萬步,學(xué)習(xí)率設(shè)置為0.004。將先驗(yàn)框的最大尺寸設(shè)置為0.95,最小尺寸設(shè)置為0.35。先驗(yàn)框的最小尺寸比原文[13]中設(shè)置的較大些, 這是因?yàn)闈撴z蝦和貽貝的體積都較小,為了檢測出較多的小目標(biāo)生物, 應(yīng)盡可能將6 種不同尺度的特征圖控制在較大的范圍內(nèi)。最后經(jīng)過不斷的細(xì)微調(diào)整, 得到適用于深海冷泉區(qū)生物識(shí)別的模型。

    圖6 中展示了整個(gè)訓(xùn)練過程中定位損失和分類損失之和[13]的變化情況, 在2 000 步迭代步數(shù)前, 總損失便急速下降2.77, 在0.2 萬~12 萬步迭代步數(shù)期間, 總損失逐漸緩慢下降至0.98, 在0.2 萬~12 萬步迭代步數(shù)期間, 總損失基本上逐趨近于0, 由此可以看出R-FCN_ResNet 模型達(dá)到了很好的訓(xùn)練效果。

    圖6 R-FCN_ResNet 模型訓(xùn)練總損失Fig. 6 Total training loss of R-FCN_ResNet model

    3 實(shí)驗(yàn)與分析

    各個(gè)模型訓(xùn)練結(jié)束后, 將測試集圖片輸入至訓(xùn)練好的導(dǎo)出模型中進(jìn)行生物識(shí)別測試, 以此來評(píng)估R-FCN_ResNet 算法用于深海冷泉生物識(shí)別的準(zhǔn)確性, 并且將此作為探尋深?;钴S冷泉的重要依據(jù)。本文只檢測和識(shí)別海床表面的貽貝和潛鎧蝦, 對(duì)于重疊和埋于沉積物或其他生物下的無法用肉眼分清和估計(jì)的生物不做考慮。

    3.1 目標(biāo)檢測與算法對(duì)比

    目標(biāo)檢測算法的好壞很難被衡量, 因?yàn)槌怂惴ū旧淼目蚣芩悸分? 還有許多因素影響它的速度和精度, 比如訓(xùn)練時(shí)候的不同參數(shù)設(shè)置、不同的損失函數(shù)的定義方法以及不同的特征提取網(wǎng)絡(luò)如VGGNet[8]、ResNet[9]、MobileNet[10]等。因此為了對(duì)比不同算法各自的優(yōu)勢(shì), 本文統(tǒng)一在TensorFlow 框架中訓(xùn)練模型和檢測生物, 并且設(shè)置相同的訓(xùn)練迭代步數(shù)、學(xué)習(xí)率、先驗(yàn)框尺寸和特征圖大小等參數(shù)。然后, 不考慮算法本身的內(nèi)部結(jié)構(gòu), 直接將測試集中的圖片輸入至訓(xùn)練好的模型中進(jìn)行目標(biāo)識(shí)別。最后, 對(duì)比3 種模型的識(shí)別效果, 權(quán)衡速度和精度兩方面后確認(rèn)適用于本文數(shù)據(jù)集的算法[23]。

    在表1 中, 訓(xùn)練耗損時(shí)間表示迭代步數(shù)為15 萬步時(shí), 訓(xùn)練模型所花費(fèi)的時(shí)間。平均檢測速度是每檢測一張圖片所需的平均時(shí)間。平均置信度是5 個(gè)目標(biāo)生物的類條件概率與IOU 的乘積[13]的平均值。具體類置信度被歸一化在[0, 1]之間, 閾值設(shè)為0.5。從橫向分析, 3 種算法的平均檢測時(shí)間都在1sec/per image以上, 無法與毫秒級(jí)的檢測速度相比, 這是由GPU的自身性能決定的。訓(xùn)練耗損時(shí)間都超過1 d。平均置信度得分都大于0.8。

    從縱向分析, R-FCN_ResNet 算法訓(xùn)練耗損時(shí)間比Faster R-CNN 算法短了大概32 h, 大大地節(jié)省了時(shí)間和資源。另一方面, R-FCN_ResNet 算法的平均置信度只比Faster R-CNN 算法低0.011 8, 由此說明兩個(gè)算法的檢測精度相差無幾, 但是其平均檢測速度卻比Faster R-CNN 算法快了大約3 s, 說明就檢測速度一項(xiàng)而言, R-FCN_ResNet 算法更優(yōu)。另外,SSD_MobileNet 算法雖然在訓(xùn)練耗損時(shí)間和平均檢測速度方面表現(xiàn)突出, 但是對(duì)于潛鎧蝦和貽貝這種小目標(biāo)來說, 檢測效果卻是最差的。其平均置信度比R-FCN_ResNet 低0.406, 比Faster R-CNN 低0.524。因此從訓(xùn)練耗損時(shí)間、平均檢測速度、平均置信度方面綜合考慮之后, 確認(rèn)R-FCN_ResNet 算法為適用于深海密集生物檢測和識(shí)別的算法。

    表1 三種算法的性能對(duì)比Tab. 1 Performance comparison of three algorithms

    圖7 R-FCN_ResNet 模型的識(shí)別效果Fig. 7 Recognition effect of R-FCN_ResNet model

    3.2 R-FCN_ResNet 算法準(zhǔn)確性評(píng)估

    圖7 展示了R-FCN_ResNet 模型的識(shí)別效果圖??梢钥闯? 該模型能很好的檢測出深海冷泉區(qū)的潛鎧蝦和貽貝。圖中綠色框圈出的是潛鎧蝦, 藍(lán)色框圈出的是貽貝, 每個(gè)框圖上方都標(biāo)有目標(biāo)生物的種類名稱和確認(rèn)為該類目標(biāo)生物的置信度。在確認(rèn)檢測到潛鎧蝦和貽貝任意一種小目標(biāo)生物的前提下, 給出的預(yù)測框基本上準(zhǔn)確圈出了目標(biāo)物體。由此可以得出, 該模型具有定位誤差小, 對(duì)背景的誤判率小的優(yōu)點(diǎn)。但是, 從圖7b 中可以看出, 仍然有極少量的貽貝沒有被檢測和識(shí)別出來。因此, 為了更進(jìn)一步分析R-FCN_ResNet 算法對(duì)本文數(shù)據(jù)集的適用性以及評(píng)估此算法識(shí)別生物數(shù)量的準(zhǔn)確性, 本文分別用R-FCN_ResNet 算法和人工識(shí)別方法去檢測測試區(qū)的共900 張圖片的生物數(shù)量, 并且計(jì)算各生物數(shù)量矩陣的相關(guān)系數(shù), 以此來說明此算法自動(dòng)識(shí)別生物數(shù)量和人工數(shù)取生物數(shù)量的符合度。

    測試區(qū)遍布著較多的生物, 設(shè)定生物數(shù)量在0~80范圍內(nèi)的區(qū)域稱為稀疏區(qū), 在80~200范圍內(nèi)的區(qū)域稱為密集區(qū)。圖8、圖9 分別展示了R-FCN_ResNet算法和人工識(shí)別方法檢測潛鎧蝦和貽貝的數(shù)量曲線。從中可以看出兩條曲線的趨勢(shì)基本一致, 且計(jì)算得知潛鎧蝦和貽貝的兩個(gè)數(shù)量矩陣的相關(guān)系數(shù)分別是0.982 4 和0.976 9, 由此說明利用此算法識(shí)別深海冷泉生物的準(zhǔn)確度較高, 即R-FCN_ResNet 算法自動(dòng)識(shí)別的生物數(shù)量和人工數(shù)取的生物數(shù)量基本一致。另外, 稀疏區(qū)的生物數(shù)量符合度比密集區(qū)高, 這說明R-FCN_ResNet 算法在稀疏區(qū)的識(shí)別準(zhǔn)確度高于密集區(qū)的識(shí)別準(zhǔn)確度。

    圖8 R-FCN_ResNet 算法和人工識(shí)別方法檢測潛鎧蝦數(shù)量的曲線Fig. 8 Curve of R-FCN_ResNet algorithm and artificial recognition method for detecting Shinkaia crosnieri quantity

    圖9 R-FCN_ResNet 算法和人工識(shí)別方法檢測貽貝數(shù)量的曲線Fig. 9 Curve of R-FCN_ResNet algorithm and artificial recognition method for detecting Bathymodiolus platifrons quantity

    3.3 生物分布情況的復(fù)現(xiàn)

    通過研究深海冷泉區(qū)生物的種類、數(shù)量、分布等情況, 可以輔助生物學(xué)家快速準(zhǔn)確地尋找到富含天然氣水合物溢流的區(qū)域, 即活躍冷泉區(qū)。根據(jù)冷泉生態(tài)系統(tǒng)的群落結(jié)構(gòu)特征可知, 生物越密集的地方富含甲烷的可能性和相對(duì)濃度越高。另一方面, 目標(biāo)檢測算法對(duì)比實(shí)驗(yàn)表明, 改進(jìn)后的R-FCN_ResNet 算法結(jié)合本文數(shù)據(jù)集可以高效準(zhǔn)確地檢測出深海冷泉區(qū)的潛鎧蝦和貽貝。因此, 基于此算法檢測出該片海域潛鎧蝦和貽貝的數(shù)量, 然后復(fù)現(xiàn)其分布情況, 以此作為探尋活躍冷泉的重要依據(jù)。

    圖10、圖11 分別展示了該片海域潛鎧蝦和貽貝的數(shù)量分布情況。可以看出, 該片海域邊界區(qū)的生物較少, 中心區(qū)(測試區(qū))生物數(shù)量較多, 因此可以判斷中心區(qū)天然氣水合物溢流的可能性和相對(duì)濃度都較高。另外, 根據(jù)該區(qū)域潛鎧蝦和貽貝的時(shí)空變化特征,可以協(xié)助探究環(huán)境中甲烷濃度的變化, 進(jìn)而推測天然氣水合物釋放量的變化情況。

    圖10、圖11 給出的信息不僅可以用以探究和分析深海冷泉天然氣水合物的溢流情況和含量。而且,根據(jù)兩圖中潛鎧蝦和貽貝密集度的不同, 結(jié)合生物習(xí)性、生物外形特征等進(jìn)一步探究海洋生物在深海冷泉生態(tài)系統(tǒng)中的重要作用; 根據(jù)本文訓(xùn)練出的模型實(shí)時(shí)地監(jiān)測該片海域不同時(shí)期的潛鎧蝦和貽貝的分布情況, 以此為研究深海冷泉生態(tài)系統(tǒng)與生命過程對(duì)環(huán)境變化的影響機(jī)制, 為制定和更改深海冷泉環(huán)境保護(hù)計(jì)劃, 為維護(hù)深海冷泉生態(tài)平衡提供數(shù)據(jù)支撐。

    4 結(jié)論

    本文利用殘差學(xué)習(xí)塊改進(jìn)了基于區(qū)域的全卷積網(wǎng)絡(luò), 提出了深海冷泉生物的自動(dòng)識(shí)別方法, 復(fù)現(xiàn)了潛鎧蝦和貽貝的分布情況。實(shí)驗(yàn)結(jié)果表明, 本文提出的自動(dòng)識(shí)別和檢測深海冷泉生物的方法準(zhǔn)確度和速度都較高, 并且利用此方法協(xié)助探尋活躍冷泉的位置是可行且具有現(xiàn)實(shí)價(jià)值的。但是, 目前在對(duì)高密度、低特征和大范圍的深海冷泉小目標(biāo)生物進(jìn)行檢測時(shí), 仍然存在漏檢的情況。因此, 如何改進(jìn)和創(chuàng)新目標(biāo)識(shí)別與檢測方法, 提高小目標(biāo)生物檢測精度,是下一步研究的主要方向。

    圖10 潛鎧蝦分布情況復(fù)現(xiàn)圖Fig. 10 Reproduction of Shinkaia crosnieri distribution

    圖11 貽貝分布情況復(fù)現(xiàn)圖Fig. 11 Reproduction of Bathymodiolus platifrons distribution

    猜你喜歡
    冷泉貽貝深海
    “貽貝之鄉(xiāng)”耕海忙
    上海海洋大學(xué)學(xué)者在Springer Nature出版專著South China Sea Seeps
    西沙群島冷泉區(qū)中層魚類群落結(jié)構(gòu)初探
    向深海進(jìn)發(fā)
    貽貝、海虹、青口、淡菜……到底有何區(qū)別
    深海特“潛”隊(duì)
    并不“冷”的海底冷泉系統(tǒng)
    隱藏在深海里的神秘生物
    全球貽貝產(chǎn)量減少導(dǎo)致貿(mào)易受挫
    基于Ⅲumina平臺(tái)的厚殼貽貝外套膜轉(zhuǎn)錄組從頭測序
    伊人久久国产一区二区| 91在线精品国自产拍蜜月| 亚洲怡红院男人天堂| 日韩强制内射视频| 国产成人freesex在线| 国产精品伦人一区二区| 好男人视频免费观看在线| 高清av免费在线| 自拍偷自拍亚洲精品老妇| 少妇高潮的动态图| 国产日韩欧美在线精品| 国产中年淑女户外野战色| 青青草视频在线视频观看| 少妇被粗大猛烈的视频| 欧美xxⅹ黑人| 国产在线免费精品| 国产色婷婷99| 国产精品一区www在线观看| 久久久久久久精品精品| 亚洲av男天堂| 日韩av不卡免费在线播放| 网址你懂的国产日韩在线| 午夜视频国产福利| 精品亚洲乱码少妇综合久久| 国产精品一区www在线观看| 一区二区三区免费毛片| 国产视频首页在线观看| 亚洲熟女精品中文字幕| 岛国毛片在线播放| 久久精品国产亚洲av天美| 在线 av 中文字幕| xxx大片免费视频| 久久久午夜欧美精品| 精品国产露脸久久av麻豆| 欧美高清成人免费视频www| av黄色大香蕉| 久久99热6这里只有精品| 亚洲精品国产av成人精品| 国产精品久久久久久av不卡| 亚洲成人手机| 高清欧美精品videossex| 亚洲内射少妇av| 亚洲av福利一区| 成年免费大片在线观看| 啦啦啦在线观看免费高清www| 日本色播在线视频| 边亲边吃奶的免费视频| 亚洲欧美日韩东京热| 国产精品蜜桃在线观看| 中文乱码字字幕精品一区二区三区| 嫩草影院入口| 91精品国产国语对白视频| 一级a做视频免费观看| 日日撸夜夜添| 美女主播在线视频| av.在线天堂| 久久亚洲国产成人精品v| 成人一区二区视频在线观看| 亚洲国产毛片av蜜桃av| 国产深夜福利视频在线观看| 丝袜脚勾引网站| 免费观看的影片在线观看| 亚洲怡红院男人天堂| 亚洲欧美成人综合另类久久久| 汤姆久久久久久久影院中文字幕| 免费观看av网站的网址| 日韩人妻高清精品专区| 婷婷色综合大香蕉| 久久久久国产网址| 久久久久久久亚洲中文字幕| 久久精品国产亚洲av天美| 99久久精品热视频| 美女脱内裤让男人舔精品视频| 麻豆成人av视频| 在线观看一区二区三区激情| 99热这里只有精品一区| 精品99又大又爽又粗少妇毛片| 国产成人aa在线观看| 亚洲欧美清纯卡通| 国产av国产精品国产| 搡老乐熟女国产| 日韩av免费高清视频| 丰满人妻一区二区三区视频av| 美女主播在线视频| 2022亚洲国产成人精品| 成人毛片60女人毛片免费| 欧美激情极品国产一区二区三区 | 国内揄拍国产精品人妻在线| 国产精品福利在线免费观看| 国产黄色免费在线视频| 91久久精品电影网| h日本视频在线播放| 久久婷婷青草| 老女人水多毛片| 精品亚洲乱码少妇综合久久| 97在线人人人人妻| 久久久久久久国产电影| 97在线人人人人妻| 极品教师在线视频| 亚洲精品456在线播放app| 干丝袜人妻中文字幕| 狂野欧美白嫩少妇大欣赏| 男人和女人高潮做爰伦理| 插阴视频在线观看视频| 欧美成人a在线观看| 亚洲成人手机| 久久午夜福利片| 校园人妻丝袜中文字幕| 舔av片在线| 啦啦啦在线观看免费高清www| 亚州av有码| 777米奇影视久久| 国产精品人妻久久久影院| 久久久久久伊人网av| 国产一区二区在线观看日韩| 日日啪夜夜撸| 精品熟女少妇av免费看| 欧美日韩一区二区视频在线观看视频在线| 一个人看的www免费观看视频| 久久毛片免费看一区二区三区| 99久久精品一区二区三区| 一级爰片在线观看| 亚洲国产成人一精品久久久| 婷婷色av中文字幕| 午夜激情福利司机影院| 最近2019中文字幕mv第一页| 狂野欧美白嫩少妇大欣赏| 免费在线观看成人毛片| 国产精品久久久久成人av| 99久国产av精品国产电影| 毛片女人毛片| 我要看黄色一级片免费的| 性色avwww在线观看| 天天躁日日操中文字幕| 午夜精品国产一区二区电影| 99久久综合免费| 嫩草影院入口| 天天躁日日操中文字幕| 亚洲国产最新在线播放| 嫩草影院入口| 久久午夜福利片| 久久影院123| 一级二级三级毛片免费看| 男女国产视频网站| 男女边吃奶边做爰视频| 精品久久久久久久久av| 男女边吃奶边做爰视频| 亚洲精品国产成人久久av| 国产欧美另类精品又又久久亚洲欧美| av免费在线看不卡| 99久久综合免费| 久久久久性生活片| 少妇人妻精品综合一区二区| 热99国产精品久久久久久7| 毛片一级片免费看久久久久| 欧美成人a在线观看| 91在线精品国自产拍蜜月| 久久久精品94久久精品| 免费久久久久久久精品成人欧美视频 | 五月玫瑰六月丁香| 在线观看三级黄色| 国产亚洲最大av| 夫妻午夜视频| 噜噜噜噜噜久久久久久91| 天美传媒精品一区二区| 亚洲,一卡二卡三卡| 国产免费一区二区三区四区乱码| 97热精品久久久久久| 99久久精品国产国产毛片| 欧美xxxx性猛交bbbb| 亚洲人与动物交配视频| 天堂俺去俺来也www色官网| 晚上一个人看的免费电影| 亚洲精品中文字幕在线视频 | 成人高潮视频无遮挡免费网站| 亚洲欧美成人精品一区二区| 人妻制服诱惑在线中文字幕| 久久人妻熟女aⅴ| 久久精品人妻少妇| 久久99蜜桃精品久久| 国产精品偷伦视频观看了| 欧美精品一区二区免费开放| 哪个播放器可以免费观看大片| 最黄视频免费看| 看非洲黑人一级黄片| 免费观看a级毛片全部| 国产成人91sexporn| 国产精品人妻久久久影院| 天堂8中文在线网| 美女福利国产在线 | 亚洲av综合色区一区| 精品亚洲乱码少妇综合久久| 成人午夜精彩视频在线观看| 精品久久久噜噜| 日韩欧美一区视频在线观看 | 夜夜爽夜夜爽视频| 成人午夜精彩视频在线观看| 日韩在线高清观看一区二区三区| 少妇高潮的动态图| 亚洲精品aⅴ在线观看| 日韩欧美 国产精品| 日本色播在线视频| 丰满人妻一区二区三区视频av| 久久久精品94久久精品| 国产精品女同一区二区软件| 国语对白做爰xxxⅹ性视频网站| a 毛片基地| 少妇人妻精品综合一区二区| 亚洲国产成人一精品久久久| 国产日韩欧美亚洲二区| 国产av一区二区精品久久 | 亚洲国产高清在线一区二区三| 国产高潮美女av| 男女啪啪激烈高潮av片| 亚洲激情五月婷婷啪啪| 成人黄色视频免费在线看| 777米奇影视久久| 久久97久久精品| 色婷婷久久久亚洲欧美| 午夜激情福利司机影院| 国产欧美日韩一区二区三区在线 | 啦啦啦在线观看免费高清www| 欧美一区二区亚洲| 日韩欧美精品免费久久| 国产精品一区www在线观看| 欧美极品一区二区三区四区| 大又大粗又爽又黄少妇毛片口| 欧美日本视频| 精品国产一区二区三区久久久樱花 | 午夜免费观看性视频| 亚洲在久久综合| 夜夜看夜夜爽夜夜摸| 亚洲av中文av极速乱| av免费在线看不卡| 一级二级三级毛片免费看| 天堂8中文在线网| 人妻少妇偷人精品九色| 免费看日本二区| 青春草视频在线免费观看| 国产探花极品一区二区| 女性生殖器流出的白浆| 欧美三级亚洲精品| 精品久久久久久久久亚洲| 亚洲欧洲日产国产| 天美传媒精品一区二区| 亚洲精品国产av成人精品| 啦啦啦啦在线视频资源| 97超碰精品成人国产| 久久国产精品大桥未久av | 亚洲欧美成人精品一区二区| 欧美最新免费一区二区三区| 永久网站在线| 精品人妻视频免费看| 久久人人爽人人爽人人片va| 久久6这里有精品| 亚洲欧美中文字幕日韩二区| 蜜桃亚洲精品一区二区三区| 联通29元200g的流量卡| 久久精品国产亚洲av涩爱| 身体一侧抽搐| 精品久久久久久久久亚洲| 亚洲av.av天堂| 国产精品爽爽va在线观看网站| 欧美zozozo另类| 欧美精品亚洲一区二区| 老女人水多毛片| 欧美老熟妇乱子伦牲交| 欧美日韩综合久久久久久| 91午夜精品亚洲一区二区三区| 精华霜和精华液先用哪个| 777米奇影视久久| 久久精品久久精品一区二区三区| 国产人妻一区二区三区在| 极品少妇高潮喷水抽搐| 蜜桃在线观看..| 国产黄片美女视频| 亚洲精品aⅴ在线观看| 搡女人真爽免费视频火全软件| 男女边吃奶边做爰视频| 亚洲欧美清纯卡通| 国产精品一区www在线观看| 99热这里只有精品一区| 国产在线男女| 久久女婷五月综合色啪小说| av国产免费在线观看| 免费av中文字幕在线| 美女内射精品一级片tv| 人妻系列 视频| 新久久久久国产一级毛片| 国产毛片在线视频| 边亲边吃奶的免费视频| 高清日韩中文字幕在线| 校园人妻丝袜中文字幕| 熟女人妻精品中文字幕| 一级爰片在线观看| 99国产精品免费福利视频| 午夜日本视频在线| 一本色道久久久久久精品综合| 午夜免费鲁丝| 狂野欧美白嫩少妇大欣赏| 亚洲国产毛片av蜜桃av| .国产精品久久| 日本wwww免费看| 女人十人毛片免费观看3o分钟| 一级av片app| 亚洲国产毛片av蜜桃av| 国产高清不卡午夜福利| 久久99精品国语久久久| 一本色道久久久久久精品综合| 久久午夜福利片| 久久精品国产亚洲av天美| 日日摸夜夜添夜夜添av毛片| 黄色日韩在线| 日本与韩国留学比较| 日韩强制内射视频| 久久人人爽人人片av| 另类亚洲欧美激情| 日韩av不卡免费在线播放| 亚洲av福利一区| av国产久精品久网站免费入址| 高清毛片免费看| h日本视频在线播放| 国产精品av视频在线免费观看| 中国国产av一级| 欧美精品亚洲一区二区| h视频一区二区三区| 夜夜看夜夜爽夜夜摸| 国产精品成人在线| 亚洲内射少妇av| 久久久色成人| 丝袜喷水一区| 黄色日韩在线| 精品久久久久久电影网| av卡一久久| 欧美极品一区二区三区四区| 亚洲精品一二三| 国产乱人视频| 国国产精品蜜臀av免费| 在线免费十八禁| 久久婷婷青草| 一区二区三区免费毛片| 久久人妻熟女aⅴ| 亚洲欧洲国产日韩| 日韩免费高清中文字幕av| 国产成人一区二区在线| 亚洲一级一片aⅴ在线观看| 亚洲欧美清纯卡通| 国产精品伦人一区二区| 久久精品国产亚洲av涩爱| 国产精品av视频在线免费观看| 亚洲,一卡二卡三卡| 欧美一级a爱片免费观看看| 黄片无遮挡物在线观看| 中文乱码字字幕精品一区二区三区| 看免费成人av毛片| 精品久久久久久电影网| 丰满少妇做爰视频| 美女中出高潮动态图| 国产午夜精品久久久久久一区二区三区| 嫩草影院入口| 国产淫语在线视频| 欧美精品一区二区免费开放| 六月丁香七月| 国产欧美日韩精品一区二区| 国产一区二区三区av在线| 欧美成人a在线观看| av黄色大香蕉| 91午夜精品亚洲一区二区三区| 亚洲aⅴ乱码一区二区在线播放| 亚洲丝袜综合中文字幕| 国产一区二区在线观看日韩| 在线 av 中文字幕| 国产黄片美女视频| 欧美少妇被猛烈插入视频| 亚洲图色成人| 男女边摸边吃奶| 日本av手机在线免费观看| 香蕉精品网在线| 日本免费在线观看一区| 一级二级三级毛片免费看| 精品亚洲乱码少妇综合久久| 成人毛片60女人毛片免费| av在线播放精品| 黄色欧美视频在线观看| 国产一区二区三区av在线| 王馨瑶露胸无遮挡在线观看| 亚洲人成网站在线观看播放| 成人国产麻豆网| 人妻系列 视频| 国产av精品麻豆| 激情五月婷婷亚洲| 如何舔出高潮| 亚洲精品自拍成人| 18禁在线无遮挡免费观看视频| 成人美女网站在线观看视频| 国产精品无大码| 热99国产精品久久久久久7| 伦精品一区二区三区| 亚洲精品色激情综合| 国产亚洲一区二区精品| 九九在线视频观看精品| 国产精品爽爽va在线观看网站| 久久精品国产a三级三级三级| 婷婷色麻豆天堂久久| 精品久久久精品久久久| 亚洲无线观看免费| 18禁裸乳无遮挡动漫免费视频| 人妻系列 视频| 在线天堂最新版资源| 久久久久久久精品精品| av在线老鸭窝| 免费观看a级毛片全部| 在线免费十八禁| 黄色日韩在线| 狂野欧美激情性xxxx在线观看| 精品99又大又爽又粗少妇毛片| 永久免费av网站大全| 在线观看国产h片| 免费看av在线观看网站| 1000部很黄的大片| 嫩草影院入口| 国产成人一区二区在线| 大片电影免费在线观看免费| 亚洲国产精品国产精品| 少妇被粗大猛烈的视频| 韩国高清视频一区二区三区| 边亲边吃奶的免费视频| 春色校园在线视频观看| 国产成人freesex在线| 中国三级夫妇交换| 建设人人有责人人尽责人人享有的 | 天天躁日日操中文字幕| 国产欧美日韩精品一区二区| 99久久精品热视频| 亚洲av综合色区一区| 1000部很黄的大片| 午夜福利影视在线免费观看| 免费人成在线观看视频色| 日本午夜av视频| 高清欧美精品videossex| 国产伦在线观看视频一区| 成人国产av品久久久| 日本午夜av视频| 久久久久精品性色| 国产白丝娇喘喷水9色精品| 亚洲欧洲日产国产| 久久久久久久国产电影| 蜜臀久久99精品久久宅男| 国语对白做爰xxxⅹ性视频网站| 内射极品少妇av片p| av免费在线看不卡| 99精国产麻豆久久婷婷| 国产成人免费观看mmmm| 国产精品一二三区在线看| 国产高清不卡午夜福利| 国产精品爽爽va在线观看网站| 直男gayav资源| 欧美日韩精品成人综合77777| 黄色视频在线播放观看不卡| 国产欧美亚洲国产| 2018国产大陆天天弄谢| av黄色大香蕉| av免费观看日本| 国产精品国产三级国产专区5o| 在线看a的网站| 一区二区三区免费毛片| 亚洲中文av在线| 美女xxoo啪啪120秒动态图| 久久国产精品男人的天堂亚洲 | 精品久久久久久久久亚洲| 日本欧美国产在线视频| 亚洲性久久影院| 黑人高潮一二区| 超碰97精品在线观看| 99精国产麻豆久久婷婷| 色视频在线一区二区三区| 亚洲精华国产精华液的使用体验| 国产淫语在线视频| 国产免费福利视频在线观看| 国产黄片视频在线免费观看| 国产亚洲av片在线观看秒播厂| 免费观看a级毛片全部| 国产成人aa在线观看| 女人久久www免费人成看片| 日韩成人av中文字幕在线观看| 亚洲av成人精品一区久久| 少妇人妻 视频| 青春草国产在线视频| 人妻夜夜爽99麻豆av| 男男h啪啪无遮挡| 亚洲欧美成人精品一区二区| 亚洲av福利一区| 国产亚洲av片在线观看秒播厂| 26uuu在线亚洲综合色| 久久人人爽人人片av| 边亲边吃奶的免费视频| 日本一二三区视频观看| 亚洲中文av在线| 久久人人爽av亚洲精品天堂 | 精品国产三级普通话版| 如何舔出高潮| 国产精品福利在线免费观看| 青春草国产在线视频| 欧美精品人与动牲交sv欧美| 久久久久网色| 精品国产露脸久久av麻豆| 女人十人毛片免费观看3o分钟| 国产精品人妻久久久久久| 亚洲内射少妇av| 免费少妇av软件| 久久久久久伊人网av| 成年av动漫网址| 亚洲欧美日韩无卡精品| 少妇人妻精品综合一区二区| 1000部很黄的大片| 黄色视频在线播放观看不卡| 纵有疾风起免费观看全集完整版| 国产精品嫩草影院av在线观看| 大话2 男鬼变身卡| 2021少妇久久久久久久久久久| 最近中文字幕2019免费版| 六月丁香七月| 国产精品一区二区在线观看99| 美女福利国产在线 | 国产一区二区在线观看日韩| 丝袜脚勾引网站| 亚洲成人av在线免费| 亚洲aⅴ乱码一区二区在线播放| 国产欧美日韩精品一区二区| 菩萨蛮人人尽说江南好唐韦庄| 久热久热在线精品观看| 欧美三级亚洲精品| 男男h啪啪无遮挡| 少妇高潮的动态图| 嫩草影院新地址| 99国产精品免费福利视频| 欧美一区二区亚洲| 人人妻人人爽人人添夜夜欢视频 | 亚洲欧美日韩无卡精品| 香蕉精品网在线| 中文欧美无线码| a级毛色黄片| 日韩av不卡免费在线播放| av女优亚洲男人天堂| 久久热精品热| 国产成人aa在线观看| 久久精品人妻少妇| 国产淫片久久久久久久久| 高清午夜精品一区二区三区| 少妇猛男粗大的猛烈进出视频| 十八禁网站网址无遮挡 | 高清不卡的av网站| 久久久久国产网址| 在线观看免费高清a一片| 国产黄片美女视频| 六月丁香七月| 看十八女毛片水多多多| 国精品久久久久久国模美| 亚洲,欧美,日韩| 久久久久人妻精品一区果冻| 亚洲三级黄色毛片| 爱豆传媒免费全集在线观看| 国产乱人偷精品视频| 又大又黄又爽视频免费| 极品教师在线视频| 自拍偷自拍亚洲精品老妇| 97精品久久久久久久久久精品| 边亲边吃奶的免费视频| 在现免费观看毛片| 美女脱内裤让男人舔精品视频| 美女内射精品一级片tv| 成人免费观看视频高清| 久久6这里有精品| 成人高潮视频无遮挡免费网站| 少妇裸体淫交视频免费看高清| 久久亚洲国产成人精品v| 噜噜噜噜噜久久久久久91| 国产午夜精品一二区理论片| 亚洲国产欧美人成| 国产欧美日韩精品一区二区| 一边亲一边摸免费视频| 亚洲三级黄色毛片| 大片电影免费在线观看免费| 中文字幕久久专区| 久久久国产一区二区| 男女无遮挡免费网站观看| 久久久国产一区二区| 精品一区二区三卡| 国产国拍精品亚洲av在线观看| 免费少妇av软件| 高清av免费在线| 成人一区二区视频在线观看| 亚洲内射少妇av| 久久久精品免费免费高清| 免费av中文字幕在线| 另类亚洲欧美激情| 国产老妇伦熟女老妇高清| 夜夜看夜夜爽夜夜摸| av不卡在线播放| 男女免费视频国产| 下体分泌物呈黄色| 在线观看av片永久免费下载| 狂野欧美白嫩少妇大欣赏| 这个男人来自地球电影免费观看 | 最近2019中文字幕mv第一页| 2022亚洲国产成人精品| 美女视频免费永久观看网站| 精品国产乱码久久久久久小说| 久久久久久久久久久丰满| 97超视频在线观看视频| 日本欧美视频一区| 伦理电影免费视频| 高清视频免费观看一区二区| 卡戴珊不雅视频在线播放| 欧美日韩一区二区视频在线观看视频在线|