.png){kind=icon}
返回
MultiTask-Fish: A Shared Backbone Multitask Counting Method for Complex Fish School Scenes
.png){kind=icon}
PRE
AI
DOI：10.3390/info17050491.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着陆基水产养殖中对智能监控需求的日益增长，从视觉数据中快速准确地计数鱼类对于调节放养密度、管理投喂和决策生产变得至关重要。为解决水面鱼类图像中的挑战，包括尺度变化、严重遮挡和粘连、边界模糊以及低密度与高密度场景频繁切换等问题，本研究提出了MultiTask-Fish，一种共享骨干的多任务计数方法。该网络以ResNet34作为骨干，并整合了特征金字塔网络和通道注意力来学习统一的特征表示。它联合预测检测热图、前景掩码、分离边界、密度图、密度门控和全局计数回归，使模型能够结合局部定位线索、结构信息及全局统计。基于现有的多边形标注，自动生成热图、掩码、边界和密度监督以用于综合多任务训练。在495张鱼类图像（包括346张训练图像和149张验证图像）上的实验表明，所提出的方法在验证集上实现了MAE为5.875、RMSE为11.839和MAPE为0.152，同时将高密度子集上的MAE从16.717降低至13.895。这些结果证明了其在复杂水面水产养殖场景中鱼类计数方面的有效性。
Keyword:
aquaculture
fish counting
multitask learning
density estimation
instance segmentation
boundary supervision
shared backbone network
期刊
I
IF:
2.9
论文数:
833
被引数:
9.8K
