
-
生物通官微
陪你抓住生命科技
跳动的脉搏
MSSFNet:一种多尺度语义融合密度估计网络,用于在复杂的水产养殖环境中实现精确的鱼类计数
《Aquaculture International》:MSSFNet: multi-scale semantic fusion density estimation net for accurate fish counting under complex aquacultural environments
【字体: 大 中 小 】 时间:2026年08月09日 来源:Aquaculture International 3.5
编辑推荐:
摘要准确的鱼类种群估算对于提高水产养殖的生产效率和管理水平至关重要。虽然物体检测算法被广泛用于鱼类计数,但它们往往受到鱼类重叠、遮挡以及复杂环境条件的限制。相比之下,密度估算因其对不同环境的强大适应性而逐渐成为一种有效方法。然而,鱼类大小的差异、高密度的鱼类聚集以及水体的浑浊度都
准确的鱼类种群估算对于提高水产养殖的生产效率和管理水平至关重要。虽然物体检测算法被广泛用于鱼类计数,但它们往往受到鱼类重叠、遮挡以及复杂环境条件的限制。相比之下,密度估算因其对不同环境的强大适应性而逐渐成为一种有效方法。然而,鱼类大小的差异、高密度的鱼类聚集以及水体的浑浊度都会对计数精度造成极大挑战。为了解决这些问题,本研究提出了一种基于不同网络深度的多尺度语义表示的密度估算模型。MSSFNet包含了三个特征提取模块,即全局特征提取器、多尺度特征提取器和局部特征提取器,这些模块共同作用以提高模型对大小变化、密集聚集以及复杂背景干扰的抵御能力。此外,我们还提出了聚焦分布匹配计数损失函数(FDMC Loss),该函数能够缓解密度估算中的样本不平衡问题。通过在训练过程中降低容易识别的样本的权重,同时强调更难处理的样本,FDMC Loss提高了模型对不规则分布和复杂区域的敏感度,从而生成更精确的密度图。在包含3131张图像、约364,000条标注鱼群数据(平均每张图像116条鱼群)的大规模数据集上的实验结果证明了MSSFNet的有效性。在测试数据集上,MSSFNet的平均绝对误差为6.65,均方根误差为9.09,相对均方根误差为0.085,决定系数为0.9855。此外,在移动平台上的部署实验也证明了MSSFNet在资源受限应用中的可行性,显示出其在实际水产养殖应用中的巨大潜力。MSSFNet能有效减少预测误差,并准确捕捉不同规模和环境下目标的共同特征。
准确的鱼类种群估算对于提高水产养殖的生产效率和管理水平至关重要。虽然物体检测算法被广泛用于鱼类计数,但它们往往受到鱼类重叠、遮挡以及复杂环境条件的限制。相比之下,密度估算因其对不同环境的强大适应性而逐渐成为一种有效方法。然而,鱼类大小的差异、高密度的鱼类聚集以及水体的浑浊度都会对计数精度造成极大挑战。为了解决这些问题,本研究提出了一种基于不同网络深度的多尺度语义表示的密度估算模型。MSSFNet包含了三个特征提取模块,即全局特征提取器、多尺度特征提取器和局部特征提取器,这些模块共同作用以提高模型对大小变化、密集聚集以及复杂背景干扰的抵御能力。此外,我们还提出了聚焦分布匹配计数损失函数(FDMC Loss),该函数能够缓解密度估算中的样本不平衡问题。通过在训练过程中降低容易识别的样本的权重,同时强调更难处理的样本,FDMC Loss提高了模型对不规则分布和复杂区域的敏感度,从而生成更精确的密度图。在包含3131张图像、约364,000条标注鱼群数据(平均每张图像116条鱼群)的大规模数据集上的实验结果证明了MSSFNet的有效性。在测试数据集上,MSSFNet的平均绝对误差为6.65,均方根误差为9.09,相对均方根误差为0.085,决定系数为0.9855。此外,在移动平台上的部署实验也证明了MSSFNet在资源受限应用中的可行性,显示出其在实际水产养殖应用中的巨大潜力。MSSFNet能有效减少预测误差,并准确捕捉不同规模和环境下目标的共同特征。
生物通微信公众号