
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种考虑密度差异的变换器,用于精准统计水产养殖中的鱼类数量
《Aquaculture International》:A density difference-aware transformer for accurate underwater fish counting in aquaculture
【字体: 大 中 小 】 时间:2026年07月04日 来源:Aquaculture International 3.5
编辑推荐:
摘要鱼类计数对于评估水生生态系统健康、提升水产养殖盈利能力、保护生物多样性以及改善渔业管理至关重要。然而,该领域的现有研究仍面临诸多挑战,包括高密度环境中的频繁遮挡、图像内鱼类分布不均以及不同图像间的密度差异。为解决这些问题,本研究提出了一种能够感知密度差异的鱼类计数网络。该方法
鱼类计数对于评估水生生态系统健康、提升水产养殖盈利能力、保护生物多样性以及改善渔业管理至关重要。然而,该领域的现有研究仍面临诸多挑战,包括高密度环境中的频繁遮挡、图像内鱼类分布不均以及不同图像间的密度差异。为解决这些问题,本研究提出了一种能够感知密度差异的鱼类计数网络。该方法由三个核心部分组成。首先,设计了一个密度感知型结构对齐模块,通过建模相邻鱼类之间的结构连续性与一致性,提升图像特征的清晰度与聚焦度,从而减少高密度区域中鱼类重叠带来的模糊问题。其次,开发了一种基于密度引导的层次化注意力机制,利用可学习的标记来表示区域密度信息。该机制采用并行注意力策略,动态分配计算资源于密集区域和稀疏区域之间,以此解决图像内鱼类分布不均衡的问题。最后,引入了一种密度锚点上下文融合机制,它以语义标记作为锚点,确保不同密度尺度下的一致性,并通过交叉注意力实现自适应的多尺度特征融合,进而提升模型在各种现实场景中的泛化能力。在平均每张测试图像包含36.96条鱼的水下草鱼计数数据集上,该网络的平均绝对误差为每张图像3.36条鱼,均方根误差为每张图像4.76条鱼。该方法在鲤鱼计数数据集和密集草鱼计数数据集上也取得了改进效果。这些结果表明,所提出的模型是一种强大的工具,可为智能水产养殖和可持续渔业管理提供支持。
鱼类计数对于评估水生生态系统健康、提升水产养殖盈利能力、保护生物多样性以及改善渔业管理至关重要。然而,该领域的现有研究仍面临诸多挑战,包括高密度环境中的频繁遮挡、图像内鱼类分布不均以及不同图像间的密度差异。为解决这些问题,本研究提出了一种能够感知密度差异的鱼类计数网络。该方法由三个核心部分组成。首先,设计了一个密度感知型结构对齐模块,通过建模相邻鱼类之间的结构连续性与一致性,提升图像特征的清晰度与聚焦度,从而减少高密度区域中鱼类重叠带来的模糊问题。其次,开发了一种基于密度引导的层次化注意力机制,利用可学习的标记来表示区域密度信息。该机制采用并行注意力策略,动态分配计算资源于密集区域和稀疏区域之间,以此解决图像内鱼类分布不均衡的问题。最后,引入了一种密度锚点上下文融合机制,它以语义标记作为锚点,确保不同密度尺度下的一致性,并通过交叉注意力实现自适应的多尺度特征融合,进而提升模型在各种现实场景中的泛化能力。在平均每张测试图像包含36.96条鱼的水下草鱼计数数据集上,该网络的平均绝对误差为每张图像3.36条鱼,均方根误差为每张图像4.76条鱼。该方法在鲤鱼计数数据集和密集草鱼计数数据集上也取得了改进效果。这些结果表明,所提出的模型是一种强大的工具,可为智能水产养殖和可持续渔业管理提供支持。