《Fishes》：Density-Response-Oriented Low-Visibility and High-Density Underwater Fish Counting for Intelligent Recirculating Aquaculture Monitoring
编辑推荐：
非接触式水下鱼类计数支持智能水产养殖中的放养密度估算与管理。研究人员评估了一个由单源视频右视流导出的包含900幅图像的已标注TV5/IOC域内数据集。在三个种子受控划分中，每个划分使用720幅图像进行训练、180幅进行验证。所有受控配置均使用相同的原始单视图（
非接触式水下鱼类计数支持智能水产养殖中的放养密度估算与管理。研究人员评估了一个由单源视频右视流导出的包含900幅图像的已标注TV5/IOC域内数据集。在三个种子受控划分中，每个划分使用720幅图像进行训练、180幅进行验证。所有受控配置均使用相同的原始单视图（Raw-SV）监督与推理输入。高密度感知密度建模（HDA-DM）仅对高计数训练图像的密度损失施加温和的样本权重。HDA-DM将Main900三种子平均MAE从4.024±0.578降至3.739±0.414（7.07%），并将Hard200挑战性案例平均MAE从9.799±1.792降至8.863±0.304（9.56%）。改善并非在每个种子中均一致。跨视图密度蒸馏（CVDD）作为仅训练时的消融进行评估，未能进一步改进HDA-DM：组合配置在Main900上获得3.987±0.635，在Hard200上获得9.666±1.373。损失范围审计进一步表明，原始的仅密度HDA-DM公式优于同时对密度、计数和形状监督加权的方案。HDA-DM不引入额外的推理阶段参数或操作。由于证据仅限于三个种子和一个采集源，所有比较均为描述性的，不做出正式的统计显著性或外部泛化声明。
智能循环水养殖正从人工检查与经验管理转向集成视觉感知、数据分析和决策支持的精细化生产。鱼类计数与放养密度调节、投喂管理、生长监测和产量预测直接相关，非接触式水下成像计数可在较低扰动下提供连续丰度与分布信息。然而，实际养殖水体受浊度、水扰动、光衰减、散射和非均匀照明影响，鱼体边界与纹理线索弱化；高密度聚集、遮挡和重叠又使相邻鱼的空间证据模糊。密度图回归在拥挤区域可能出现密度响应不足，最终导致计数低估。检测与分割方法在边界模糊、遮挡严重时不稳定；图像增强虽能改善视觉可读性，但增强后的边缘和纹理并不保证与点标注密度监督一致。因此，研究人员将问题定位为密度响应不足，通过训练目标干预而非更换骨干或推理阶段融合来改善计数。
研究人员构建了TV5/IOC域内数据集，来自单源视频右视流，共900幅标注图像，并设置三个种子受控的720/180划分，所有配置统一采用原始单视图（Raw-SV）作为监督与推理输入。提出高密度感知密度建模（HDA-DM），仅对高计数训练图像的密度损失施加温和权重。结果表明，HDA-DM使Main900平均MAE降低7.07%，Hard200平均MAE降低9.56%；跨视图密度蒸馏（CVDD）作为仅训练消融未带来进一步增益，损失范围审计也确认仅密度加权是更优公式。HDA-DM不增加推理期参数或操作。
关键技术与方法方面：样本来自中国湛江南方海洋科学与工程广东省实验室（湛江）室内循环水养殖系统，实验鱼为黑皮鲀（Thamnaconus modestus，英文名black scraper），体长8–13 cm；使用BARLUS SK2-D6X20-125-Double水下立体相机右视图，从约10分钟视频中采样900帧（Main900）和200帧（Hard200）。核心方法包括：(1) 点标注经高斯核卷积生成密度图监督；(2) 共享估计器为三级U-Net（1.929M参数），损失含密度、计数和归一化形状项；(3) 高密度感知密度建模（HDA-DM）在每划分内按图像计数降序取前20%（r=0.2）为高密度样本，仅对其瓦片级密度损失加权γ=1.2；(4) 跨视图密度蒸馏（CVDD）在训练时对CLAHE增强视图计算与stop-gradient原始预测的一致性蒸馏项，推理时移除；(5) 统一使用Raw-SV监督与推理，训练20 epochs、Adam、初始学习率1×10
-5，按验证MAE选检查点。
主要研究结果如下。4.1 统一Raw-SV的Main900比较：通过2×2组件设计，Raw-SV+HDA-DM在Main900上获得最低的三种子平均MAE、RMSE和NAE，相对Raw-SV平均MAE降低0.284（7.07%）。4.2 Hard200挑战性案例分析：对固定的200幅同源困难图像，HDA-DM获得最低平均MAE（8.863±0.304）、RMSE和NAE，且跨种子离散度最小，相对Raw-SV平均MAE降低0.937（9.56%）。4.3 合并符号误差诊断：将三个种子模型对Hard200的预测合并为600个样本-种子观测，HDA-DM产生最小的合并误差和最小的负向平均符号误差，即低估倾向最弱。4.4 损失范围与组件交互审计：将高密度权重仅作用于密度损失与同时作用于密度、计数和形状三项损失相比，仅密度加权在Main900上MAE低0.501，在Hard200上低0.184；HDA-DM×CVDD的MAE交互项在Main900和Hard200分别为+0.203和+1.370，正值不利，说明CVDD无独立增益。4.5 种子级稳定性：逐种子MAE显示，HDA-DM在Main900的前两个种子和Hard200的后两个种子上优于Raw-SV，但并非全部种子，因此结果被解释为描述性平均改善，而非一致提升。4.6 推理边界：HDA-DM仅修改训练时损失加权，CVDD在推理时被移除；四种配置共享同一Raw-SV推理输入和1.929M参数的估计器，推理图完全一致。4.7 时间分组评估：为降低时间泄漏，采用三个非重叠连续时间段划分，HDA-DM在两个时间划分中MAE较低，平均MAE从4.339降至4.321，改善约0.4%，提供有限支持。4.8 有限参数敏感性分析：在固定数据划分下，r=0.2、γ=1.2取得最低验证MAE；r=0.3、γ=1.2和r=0.2、γ=1.4也优于未加权基线，而r=0.1、γ=1.2无效，说明所选参数在有限分析中最优。
讨论部分指出，统一Raw-SV比较表明HDA-DM而非双视图输入提供了最清晰的正面证据；损失范围审计确认仅密度公式是机制关键。CVDD未提供独立或组合精度证据，因此仅作为训练消融保留。Hard200与Main900共享采集环境，不是外部基准，不能推广到其他视频、相机、地点、物种或水况。整体证据限于单一源视频、小规模域内数据集和三个种子
