Page 105 - 《渔业研究》2025年第6期
P. 105
796 渔 业 研 究 第 47 卷
输入 输出 基础模块
Input Output
Common
3×3 Conv
Sigmoid
7×7 Conv BN
1×1 Conv
BN ReLU
Upsample×4
ReLU
3×3 Conv
(MaxPool)
BN
3×3 Conv
scSE add
引导分支
Common (×3) add
GB ReLU
MaxPool ConvTranspose
核心组件
3×3 Conv Special unit
Special unit scSE 引导分支
Common (×3) add GB
3×3 Conv
MaxPool ConvTranspose
BN
ReLU 1×1 Conv
3×3 Conv 3×3 Conv BN
Special unit scSE BN
引导分支
Common (×5) add
GB
MaxPool ConvTranspose
add
ReLU
Special unit
Common (×2) 引导分支 GB
Upsample
金字塔池化模块 1×1 Conv
PPM
图 1 Res-PGAUnet 模型结构
Fig. 1 Res-PGAUnetmodel structure
注：黑色箭头表示不同单元间的输入输出；绿色箭头表示引导全局上下文的信息分支；蓝色箭头表示残差。
Notes: Black arrows indicate the input and output between different units, green arrows represent the branch that guides global
contextual information, and blue arrows denote residual connections.
1×1 池化
1×1 Pooling
2×2 池化
输入 2×2 Pooling
Input 上采样
Upsample
3×3 池化
3×3 Pooling
拼接
Concat
6×6 池化
6×6 Pooling
图 2 PPM 结构
Fig. 2 Structure of PPM
1.5 实验设置和评价指标 型训练、验证的 Batch_size 分别设置为 4 和 8。使
实验在 Windows10 系统下进行，使用 Python 3.7 用 Adam 作为优化器，初始学习率为 0.001，学习
与 PyTorch 1.10 框 架 ， 图 形 处 理 器 （ Graphic 率调整策略为多步长衰减方案，即学习率分别在
processing unit， GPU） 为 NVIDIA RTX3070。 模 第 110、120、130 和 140 个 Epoch 时递减为原学习
