AdaFishCount：基于领域特定扰动与不变特征学习的跨域鱼类计数方法

《Computers and Electronics in Agriculture》：AdaFishCount: Advancing domain-invariant learning via domain-specific perturbation for cross-domain fish counting

本研究针对水产养殖中因水域透明度、鱼类分布和摄像机视角差异导致的域间差异问题，提出了一种名为AdaFishCount的无监督域自适应鱼类计数框架。通过领域特定特征扰动(DSFP)模块生成目标域风格样本，并结合注意力引导域不变选择器(ADIS)与长期域不变记忆(LDIM)模块学习稳定特征表征。实验表明该方法在目标域Tank 2上显著提升计数精度（MAE/RMSE/MAPE分别改善14.66/15.24/43.96），为智能水产管理提供创新解决方案。

　　

在水产养殖领域，准确统计鱼类数量对资源评估和精细化管理至关重要。传统的人工计数方法不仅效率低下，还容易对鱼类造成应激伤害。随着计算机视觉技术的发展，基于密度图回归的深度学习计数方法逐渐成为主流。然而，实际养殖环境中存在诸多变量——不同养殖模式（如网箱养殖与循环水系统）、水域透明度变化、鱼类行为差异以及摄像机视角切换等，都会导致训练数据与真实场景之间存在显著的域间差异(domain gap)。这种差异使得在特定场景下训练成熟的模型，应用到新环境时性能急剧下降，成为制约智能渔业发展的技术瓶颈。

针对这一挑战，发表于《Computers and Electronics in Agriculture》的研究提出了一种创新解决方案——AdaFishCount框架。该研究首次将无监督域自适应(Unsupervised Domain Adaptation, UDA)技术引入鱼类计数领域，通过领域特定特征扰动(Domain-Specific Feature Perturbation, DSFP)和域不变特征学习双管齐下的策略，有效克服了跨域适应难题。特别值得关注的是，该方法仅需少量目标域样本即可实现高效适应，大幅降低了数据采集和标注成本，为水产养殖的智能化实践提供了更可行的技术路径。

关键技术方法包括：1）基于自适应实例归一化(Adaptive Instance Normalization, AdaIN)的批量级与实例级域扰动机制，利用目标域无标签样本生成风格化训练数据；2）注意力引导域不变选择器(Attention-guided Domain-Invariant Selector, ADIS)强化跨域一致性特征选择；3）长期域不变记忆(Long-term Domain-Invariant Memory, LDIM)模块构建鱼类形体结构记忆库；4）设计多任务损失函数保障密度预测一致性。实验数据来自莱州明波水产有限公司的深海网箱（10m×10m×8m）和循环水养殖系统(Recirculating Aquaculture System, RAS)，以斑石鲷(Oplegnathus punctatus)为研究对象，使用GoPro采集视频数据。

Data collection

研究选择斑石鲷作为目标物种，在山东烟台莱州明波水产有限公司的养殖系统中采集数据。深海网箱尺寸为10m×10m×8m，使用手持GoPro摄像机采集视频数据，为跨域适应性研究提供了真实场景下的数据基础。

Experimental setup

实验在NVIDIA V100 GPU上进行150轮训练，采用AdamW优化器和OneCycleLR学习率调度器。输入图像统一缩放至320×320像素，批次大小为12，通过随机水平翻转和随机裁剪进行数据增强。评估指标包含平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)，全面衡量模型在跨域场景下的计数性能。

Discussion

研究指出，鱼类计数作为细分研究领域，缺乏公开的大规模数据集是制约模型跨域泛化能力的关键因素。AdaFishCount通过特征空间扰动和域不变学习机制，有效缓解了水域条件、鱼类行为和摄像机视角变化引起的域差异问题。该方法不仅适用于封闭养殖环境，在开放性深海网箱等复杂场景中也展现出强大适应性。

Conclusion

AdaFishCount通过特征空间可控扰动模拟目标域变异，结合域不变特征选择器与长期记忆模块，系统解决了鱼类计数中的域差异挑战。该方法显著提升了模型在未见目标域上的计数精度，为水产养殖智能化管理提供了可靠的技术支撑。

CRediT authorship contribution statement

张瀚宇负责论文撰写、可视化、方法设计与数据分析；李振波负责课题指导与项目管理；王文旭、李蔚然、王彬龙参与论文审阅。该研究得到北京智慧农业创新联合体项目(BAIC10-2025)资助，作者声明无利益冲突。

该研究的创新性在于将域自适应学习机制引入水产养殖视觉分析领域，通过特征扰动和记忆增强策略，实现了在有限目标域样本下的高效域适应。这不仅推动了智能渔业的发展，也为其他农业视觉任务的跨域适应提供了方法论参考。特别是在开放水域养殖场景中展现的鲁棒性，标志着农业人工智能技术向实用化迈进的重要一步。