基于全局-局部对抗学习与掩码图像一致性的深海养殖鱼类无监督域自适应计数方法

针对深海养殖场景多样性导致的鱼类计数模型泛化难题，研究团队创新提出融合全局-局部对抗学习（Global-Local Adversarial Learning）和掩码图像一致性（Masked Image Consistency）的无监督域自适应（UDA）框架。该技术通过跨域密度图对齐和空间上下文增强，在自然光-人工光、固定-自由视角及跨养殖笼场景中，将计数误差降低6.77%-17.34%，为水产智能化管理提供免标注的解决方案。

　　

在深海养殖领域，精准的鱼类计数对饲料投放、捕捞规划等管理决策至关重要。然而，变幻莫测的深海环境给传统计数方法带来巨大挑战：水下光照条件差异显著，摄像机视角多变，鱼群密度分布复杂，导致现有依赖标注数据的深度学习模型难以泛化。更棘手的是，为每个新场景标注密集鱼群图像不仅耗时费力，还可能因采样偏差影响模型鲁棒性。面对这一行业痛点，山东某研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果，提出首个面向鱼类计数的无监督域自适应（Unsupervised Domain Adaptation, UDA）框架。

该研究突破性地将全局-局部对抗学习（Global-Local Adversarial Learning）与掩码图像一致性（Masked Image Consistency）模块相结合。前者通过双层级判别器（图像级+局部块级）对齐源域与目标域的密度图特征分布，后者利用随机掩码策略挖掘目标图像的空间上下文关联。研究人员在"深蓝1号"和"耕海1号"两个实际养殖笼中，构建包含自然光/人工光、固定/自由视角的4个数据集，涵盖大西洋鲑等鱼类的复杂场景。

关键技术包括：1）基于VGG-19构建密度估计网络；2）全局-局部判别器实现跨域特征对齐；3）对目标图像随机掩蔽30%区域强制预测一致性；4）采用Adam优化器（初始学习率1×10^-4）训练模型。实验设计三个迁移任务：光照适应（自然→人工）、视角适应（固定→自由）、跨笼适应（"深蓝1号"→"耕海1号"）。

研究结果

1. 跨光照计数：在自然光到人工光的迁移中，模型MAE（平均绝对误差）较基线方法降低12.6%，证明对光照变化的强适应性。

2. 跨视角计数：自由视角场景的MAPE（平均绝对百分比误差）下降17.34%，显示局部块级对齐有效缓解视角畸变。

3. 跨笼计数：不同养殖笼间的计数误差减少6.77%，验证模型对鱼种差异的泛化能力。

结论与意义

该研究首次将UDA引入水产领域，通过：1）双层级域对齐解决深海环境差异；2）掩码一致性增强目标域特征利用。实际应用中，仅需标注单个场景数据即可适配新环境，大幅降低标注成本。相比需要微调（Fine-tuning）的传统方法，该框架在保持95.2%源域性能的同时，将目标域误差控制在8.3%以内，为深远海养殖的智能化监测提供关键技术支撑。未来可扩展至多鱼种计数和三维密度估计方向。