基于基础模型的可解释鱼类性别识别框架
计算机视觉与模式识别
2026-02-24 v1 人工智能
摘要
鱼类准确性性别识别对于优化水产养殖和管理策略至关重要，尤其是对于濒危物种。然而，大多数现有方法都具有侵入性或压力性，可能导致额外的死亡率，对于威胁或濒危鱼种群体造成严重风险。为解决这些挑战，我们提出了FishProtoNet——一个面向加州本土濒危鱼种迄达鲑 (Hypomesus transpacificus) 全生命周期性别识别的稳健、非侵入性计算机视觉框架。与传统深度学习方法不同，FishProtoNet通过学习的原型表示提供可解释性，同时通过利用基础模型减少背景噪声的影响来提高鲁棒性。具体而言，FishProtoNet框架由三个关键组件构成：使用视觉基础模型进行鱼类感兴趣区域 (ROI) 提取、从鱼类ROI提取特征以及基于可解释原型网络的性别识别。FishProtoNet在迄达鲑早期产卵和产卵后阶段的性别识别表现出色，准确率分别为74.40%和81.16%，相应的F1分数为74.27%和79.43%。相比之下，针对亚成熟鱼阶段的迄达鲑性别识别目前仍具有挑战性，这可能是由于幼体鱼类形态差异不够明显所致。FishProtoNet的源代码已公开 available at: https://github.com/zhengmiao1/Fish_sex_identification
引用
@article{arxiv.2602.19022,
title = {An interpretable framework using foundation models for fish sex identification},
author = {Zheng Miao and Tien-Chieh Hung},
journal= {arXiv preprint arXiv:2602.19022},
year = {2026}
}