ShrimpXNet：基于增强正则化、对抗训练和可解释 AI 的虾类疾病分类迁移学习框架
机器学习
2026-01-06 v1 计算机视觉与模式识别
摘要
虾类是全球消费最广泛的水生物种，以其营养价值和经济重要性而著名。虾养殖业是许多地区的重要收入来源；然而，像其他养殖业一样，受疾病爆发的严重影响。这一研究提出了基于深度学习的虾类疾病自动分类方法。该研究利用由 1149 张图片组成的四类疾病数据集进行训练。部署并评估了六个预训练的深度学习模型：ResNet50、EfficientNet、DenseNet201、MobileNet、ConvNeXt-Tiny 和 Xception。通过去除图像背景，并通过 Keras 图像管道进行标准化预处理。采用 Fast Gradient Sign Method（FGSM）用于通过对抗训练增强模型鲁棒性。实施了包括 CutMix 和 MixUp 在内的高级数据增强策略，以缓解过拟合并提高泛化能力。为支持可解释性，并通过 Grad-CAM、Grad-CAM++ 和 XGrad-CAM 等后置解释方法可视化模型注意力的区域。探索性结果表明，ConvNeXt-Tiny 实现了最佳性能，在测试数据集上达到了 96.88% 的准确率。在 1000 次迭代后，该模型的 99% 置信区间为 [0.953, 0.971]。
引用
@article{arxiv.2601.00832,
title = {ShrimpXNet: A Transfer Learning Framework for Shrimp Disease Classification with Augmented Regularization, Adversarial Training, and Explainable AI},
author = {Israk Hasan Jone and D. M. Rafiun Bin Masud and Promit Sarker and Sayed Fuad Al Labib and Nazmul Islam and Farhad Billah},
journal= {arXiv preprint arXiv:2601.00832},
year = {2026}
}
备注
8 Page, fugure 11