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跨域计数方法研究

为解决深海养殖场景中鱼类计数模型泛化性差、标注数据稀缺的问题，研究人员提出首个面向鱼类密度估计的无监督域适应框架（UDA），通过全局-局部判别器实现跨域密度图对齐，结合掩码图像一致性模块增强空间上下文利用。实验表明该方法在自然光-人工光、固定-自由视角及跨养殖笼场景中，平均绝对百分比误差较现有方法降低6.77%-17.34%，为复杂水产环境下的智能管理提供了无需标注的解决方案。

　　

深海养殖作为应对资源短缺的重要方向，其精准鱼类计数对饲料投放、捕捞规划至关重要。然而，多变的水下光照条件、摄像机视角差异以及不同养殖笼环境，导致传统基于监督学习的密度估计模型面临两大困境：一是密集鱼群标注成本极高，二是跨场景部署时存在严重的"域偏移"现象。现有方法如多列神经网络或YOLOV4检测框架，虽在单一场景表现良好，却难以适应未标注的新环境。

针对这一挑战，山东某研究机构团队在《Engineering Applications of Artificial Intelligence》发表研究，创新性地将无监督域适应技术引入鱼类计数领域。该工作构建了包含"深蓝1号"和"国信1号"两大养殖笼的四种数据集，提出融合全局-局部对抗学习与掩码图像一致性的双模块框架。关键技术包括：1）设计图像/块双尺度判别器实现跨域密度图特征对齐；2）通过随机掩码预测强制模型学习目标域空间上下文；3）采用Adam优化器在RTX 3090 GPU上完成模型训练。

研究结果显示：在跨光照任务中，全局判别器有效缓解了自然光与人工光的分布差异，MAE（平均绝对误差）降低12.6%；针对自由视角挑战，局部块判别使不同视角下的密度预测误差下降17.34%；最具突破性的是跨养殖笼实验，模型仅通过"深蓝1号"标注数据即实现"国信1号"6.77%的MAPE（平均绝对百分比误差）提升。掩码一致性模块被证实可增强模型对遮挡鱼群的鲁棒性，消融实验显示该组件贡献率达23.1%。

该研究首次证明无监督域适应在鱼类密度估计中的可行性，其创新点在于：1）突破传统需要目标域标注的迁移学习范式；2）通过双尺度对抗机制解决复杂水产环境下的域偏移问题；3）为实际养殖中相机布设差异提供普适性方案。未来可扩展至多鱼种混合计数场景，或结合Transformer架构进一步提升对重叠鱼体的区分能力。这项工作不仅推动水产智能化发展，其提出的域适应策略对医疗影像（如细胞计数）等小样本领域亦有重要借鉴意义。