基于域不变特征的水下海参检测

《Aquaculture International》：Underwater sea cucumber detection based on domain-invariant features

针对水产养殖目标检测中存在的光照、水质及悬浮颗粒变化带来的域适应难题，以及海葵体小且伪装性强的问题，提出DG-YOLO框架，通过数据增强、多维度特征学习及小目标感知增强实现跨域鲁棒性，并在DLOU-SeaCucumber-DG数据集上验证其有效性。

　　

摘要

在水产养殖中，目标检测面临领域泛化的重大挑战。光照、水质和悬浮颗粒的变化会导致领域特征发生显著变化，而海参的小巧体型和强大的伪装能力进一步增加了检测难度。为应对这些挑战，我们提出了DG-YOLO这一创新的领域泛化检测框架。该框架通过恢复与风格转换数据增强、频率-空间联合特征学习以及小目标感知增强技术实现了跨领域的鲁棒性。首先，DG-YOLO利用R2A-Net生成具有物理约束且风格多样的样本，以模拟光照和水质浑浊的变化，从而显著提升领域多样性。FreSpatial模块将结构信息与特定领域的噪声分离出来，提取出鲁棒且不受领域影响的特征。SOEP（小目标增强金字塔）模块在保留细粒度特征的同时改善了对小目标的识别能力，从而在复杂背景下提升了检测性能。最后，SlideLoss函数能够自适应地重新调整决策边界附近的样本权重，进一步增强模型的区分能力。在DLOU-SeaCucumber-DG数据集上，DG-YOLO相比现有的领域泛化方法和YOLO变体实现了高达3.9%的mAP提升，同时保持了轻量级的设计。这些结果证明了DG-YOLO在方法上的创新性和其在智能可持续水产养殖管理中的实际应用价值。