FinSight-Net：面向智能养殖的无水域鱼类检测物理感知解耦网络
计算机视觉与模式识别
2026-02-24 v1 人工智能
摘要
无水域鱼类检测（UFD）是智能养殖和海洋生态监测的核心能力。虽然最近的检测器通过堆叠特征提取器或引入重型注意力模块来提高精度，但它们往往会产生 substantial 计算开销，更重要的是忽略了 fundamentally 限制UFD的物理因素：波长相关吸收和湍度引起的散射显著降低对比度，模糊细节结构，引入背散射噪声，导致定位和识别不可靠。为解决这些挑战，我们提出FinSight-Net，一个针对复杂养殖环境的高效且物理感知的检测框架。FinSight-Net引入多尺度解耦双流处理（MS-DDSP）瓶颈，通过异构卷积分支显式针对频率特定信息损失，抑制背散射伪影，同时通过尺度感知和通道加权路径补偿失真的生物学线索。我们进一步设计了高效路径聚合FPN（EPA-FPN）作为细节填充机制：通过建立长程跳连连接并修剪冗余的融合路径，恢复通常在深层中被削弱的高频空间信息，使在严重模糊和湍度下的非刚性鱼类目标检测更加稳健。在DeepFish、AquaFishSet和我们这个具有挑战性的UW-BlurredFish基准上进行了大量实验，表明FinSight-Net实现了最先进的性能。特别是在UW-BlurredFish上，FinSight-Net达到了92.8%的mAP，超越YOLOv11s提升4.8%，同时参数减少29.0%，为智能养殖中实时自动化监控提供了强大且轻量级的解决方案。
关键词
引用
@article{arxiv.2602.19437,
title = {FinSight-Net:A Physics-Aware Decoupled Network with Frequency-Domain Compensation for Underwater Fish Detection in Smart Aquaculture},
author = {Jinsong Yang and Zeyuan Hu and Yichen Li and Hong Yu},
journal= {arXiv preprint arXiv:2602.19437},
year = {2026}
}