一种端到端的双主干网络框架,用于无人机鱼类疾病检测,该框架采用了优化的GateHCO特征融合机制

《Neural Networks》:An end-to-end dual backbone framework for UAV fish disease detection using optimized GateHCO feature fusion mechanism

【字体: 大 中 小 】 时间:2026年05月19日 来源:Neural Networks 6.3

编辑推荐:

  Jiaji Pan|Zehui Liu|Xuanzhi Li|Xianwu Luo|Fengming Huang|Miaolei He|Wei Qin|Yaoyi Cai|Jun Xiao|Yu Li|Hao Feng摘要早期检测鱼类疾病对于抑制传染性疾病具有重要意义。如今,计算

  
Jiaji Pan|Zehui Liu|Xuanzhi Li|Xianwu Luo|Fengming Huang|Miaolei He|Wei Qin|Yaoyi Cai|Jun Xiao|Yu Li|Hao Feng

摘要

早期检测鱼类疾病对于抑制传染性疾病具有重要意义。如今,计算机视觉和深度学习方法已成为识别鱼类疾病的最创新手段。然而,大多数用于检测鱼类疾病的视觉技术仅限于二维对象,主要关注从图像中提取特征,而视频中的动态信息并未得到充分利用。在这项研究中,我们开发了一种新型的混合深度学习方法,并构建了一个双主干架构用于鱼类疾病检测。该模型能够同时提取静态外观特征和动态行为特征。特别是,我们设计了一个GateHCO(门控热传导)注意力模块,该模块借鉴了热传导过程并模拟了数据中的信息传播机制,从而在相对较低的计算成本下实现了有效的跨模态信息交互。此外,我们还使用无人机(UAV)收集实验数据集来验证基于GCHD(草鱼出血病)的检测原型方法。通过无人机收集的数据集,所提出的混合方法取得了93.64的mAP值、55.33毫秒的检测时间和25.55 GFLOPs的计算性能。这些评估指标明显优于常见的检测模型(包括YOLOv7、YOLOv10、YOLOv12等)、RT-DETR以及单阶段时空框架)。同时,我们也证实了该方法优于基于ResNet、ResNeXt和ShuffleNetV2的3D CNN架构,以及其他先进的Transformer架构(如MViT系列)。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号