Fish classification based on Convolutional Neural

Abstract

자동 어류 이미지 분류 시스템은 어류를 소비하는 과정이나 다른 일을 위해 분류하는 과정에서 매우 중요한 역할을 한다. 어류 이미지를 수동으로 다른 등급으로 분류하는 것은 어렵고 지치고 지루하다. 이 논문은 어류 이미지를 분류할 수 있는 빠르고 정확한 시스템을 제안한다. 시스템은 이미지 전처리, 특징 추출 및 분류 방법으로 구성된다. 제안된 어류 분류 모델을 훈련하고 테스트하기 위해, 심층 신경망의 두 가지 대표적인 유형인 Convolution Neural Network (CNN)과 Long Short Term Memory(LSTM)을 사용했다. 이 중 CNN은 텍스트 분류에서 인기가 높은 LSTM보다 이미지 분류에 대해 더 높은 성능을 보여주었다. 게다가, 훈련의 어려움 때문에, 정규화 기법인 Dropout과 N-best 후보법을 적용하여, 오버피팅을 피하고, 단 하나의 최적해가 아닌 복수의 답안을 반환했다.

Automatic fish images classification system plays a very important role in the process of dividing fishes into categories for human consumption or other tasks. To manually classify fishes into different classes is difficult, tiring and boring. This thesis proposes a fast and accurate system capable of classifying fish images into different categories. The system comprises image processing, feature extraction and classification method. To train and test the proposed fish classification model, we used the convolutional neural network (CNN) and the long short-term memory (LSTM) which are two representative types of deep neural network. Among them, CNN has been, proved more for images classification, than LSTM, which is popular for text classification. Furthermore, due to difficulties in training, regularization technique of dropout and N-best candidates methods were applied to avoid overfitting and return multiple answers instead of a single best