論文の概要: FinSight-Net:A Physics-Aware Decoupled Network with Frequency-Domain Compensation for Underwater Fish Detection in Smart Aquaculture
- arxiv url: http://arxiv.org/abs/2602.19437v1
- Date: Mon, 23 Feb 2026 02:12:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-24 17:42:02.642938
- Title: FinSight-Net:A Physics-Aware Decoupled Network with Frequency-Domain Compensation for Underwater Fish Detection in Smart Aquaculture
- Title（参考訳）: FinSight-Net: スマート養殖における水中魚検出のための周波数領域補償を用いた物理対応デカップリングネットワーク
- Authors: Jinsong Yang, Zeyuan Hu, Yichen Li, Hong Yu,
- Abstract要約: FinSight-Netは、養殖環境のための効率的で物理学的な魚検出フレームワークである。
FinSight-Netは92.8% mAPに達し、YOLOv11よりも4.8%、パラメータは29.0%向上した。
特にUW-BlurredFishでは、FinSight-Netは92.8% mAPに達し、パラメータを29.0%減らしながらYOLOv11sを4.8%上回っている。
- 参考スコア（独自算出の注目度）: 8.150520348578087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater fish detection (UFD) is a core capability for smart aquaculture and marine ecological monitoring. While recent detectors improve accuracy by stacking feature extractors or introducing heavy attention modules, they often incur substantial computational overhead and, more importantly, neglect the physics that fundamentally limits UFD: wavelength-dependent absorption and turbidity-induced scattering significantly degrade contrast, blur fine structures, and introduce backscattering noise, leading to unreliable localization and recognition. To address these challenges, we propose FinSight-Net, an efficient and physics-aware detection framework tailored for complex aquaculture environments. FinSight-Net introduces a Multi-Scale Decoupled Dual-Stream Processing (MS-DDSP) bottleneck that explicitly targets frequency-specific information loss via heterogeneous convolutional branches, suppressing backscattering artifacts while compensating distorted biological cues through scale-aware and channel-weighted pathways. We further design an Efficient Path Aggregation FPN (EPA-FPN) as a detail-filling mechanism: it restores high-frequency spatial information typically attenuated in deep layers by establishing long-range skip connections and pruning redundant fusion routes, enabling robust detection of non-rigid fish targets under severe blur and turbidity. Extensive experiments on DeepFish, AquaFishSet, and our challenging UW-BlurredFish benchmark demonstrate that FinSight-Net achieves state-of-the-art performance. In particular, on UW-BlurredFish, FinSight-Net reaches 92.8% mAP, outperforming YOLOv11s by 4.8% while reducing parameters by 29.0%, providing a strong and lightweight solution for real-time automated monitoring in smart aquaculture.
- Abstract（参考訳）: 水中魚の検知(UFD)は、賢い養殖と海洋生態モニタリングのコア機能である。
最近の検出器は、特徴抽出器を積み重ねたり、重み付けモジュールを導入することで精度を向上させるが、しばしば計算上のオーバーヘッドを生じさせ、さらに重要なのは、波長依存性の吸収と濁度による散乱がコントラストを著しく低下させ、微細な構造をぼかすとともに後方散乱ノイズを導入し、信頼性の低いローカライゼーションと認識をもたらすという、UFDを根本的に制限する物理を無視することである。
これらの課題に対処するために,複雑な養殖環境に適した効率的かつ物理に配慮した検出フレームワークFinSight-Netを提案する。
FinSight-NetはMulti-Scale Decoupled Dual-Stream Processing (MS-DDSP)のボトルネックを導入し、不均一な畳み込みブランチによる周波数固有の情報損失を明示的にターゲットとし、歪んだ生物学的手がかりをスケール認識とチャネル重み付き経路で補償しながら、後方散乱アーティファクトを抑える。
さらに, 遠距離スキップ接続を確立し, 冗長な融合経路を切断することにより, 深層に減衰する高頻度空間情報を復元し, 鮮明で濁度の高い非剛性魚の標的を頑健に検出する機構として, EPA-FPN (Efficient Path Aggregation FPN) を設計する。
DeepFish、AquaFishSet、そして我々の挑戦的なUW-BlurredFishベンチマークに関する大規模な実験は、FinSight-Netが最先端のパフォーマンスを達成することを示す。
特にUW-BlurredFishでは、FinSight-Netが92.8% mAPに達し、YOLOv11を4.8%上回り、パラメータを29.0%減らし、スマート養殖におけるリアルタイム自動監視のための強力で軽量なソリューションを提供する。
関連論文リスト
- PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - Data-Driven Reconstruction of Significant Wave Heights from Sparse Observations [3.356199201143573]
マルチスケールU-NetとMLPを融合したハイブリッドディープラーニングフレームワークであるAUWaveを紹介する。
データリッチな構成において、AUWaveが代表的ベースラインを一貫して上回ることを示す。
アーキテクチャのマルチスケールおよびアテンションコンポーネントは、最小でも非自明な空間アンカーが利用できる場合、精度が向上する。
論文 参考訳（メタデータ） (2025-09-21T14:12:28Z) - OASIS: Harnessing Diffusion Adversarial Network for Ocean Salinity Imputation using Sparse Drifter Trajectories [55.860116803220535]
海洋塩分濃度は循環、気候、海洋生態系において重要な役割を担っているが、その測定は希少で不規則でうるさい。
従来のアプローチは線形性と定常性に依存しており、雲の覆い、センサーのドリフト、衛星の再来率の低さによって制限されている。
OceAn Salinity Imputation System (OASIS)を紹介する。
論文 参考訳（メタデータ） (2025-08-29T12:25:26Z) - EPANet: Efficient Path Aggregation Network for Underwater Fish Detection [6.6069949373696994]
水中魚類検出(UFD)のための効率的な経路集約ネットワーク(EPANet)を提案する。
EPANetは2つの重要なコンポーネントで構成されている: 効率的な経路集約機能ピラミッドネットワーク(EPA-FPN)と、マルチスケールの多様な分割ショートパスボトルネック(MS-DDSPボトルネック)である。
ベンチマークUFDデータセットの実験では、EPANetは検出精度と推論速度の点で最先端の手法より優れていることが示されている。
論文 参考訳（メタデータ） (2025-08-01T11:09:13Z) - Improve Underwater Object Detection through YOLOv12 Architecture and Physics-informed Augmentation [0.20767168898581637]
水中物体検出は、自律航法、環境モニタリング、海洋探査に不可欠である。
現在の手法は精度と計算効率のバランスをとるが、低視認性条件下でのリアルタイムのデプロイには困難がある。
本研究は, YOLOv12アーキテクチャと物理インフォームド・オービメンテーション技術の統合による水中検出を推し進めるものである。
論文 参考訳（メタデータ） (2025-06-30T04:06:50Z) - SU-YOLO: Spiking Neural Network for Efficient Underwater Object Detection [15.935285733525962]
Spiking Underwater YOLO (SU-YOLO) は水中物体検出のためのスパイキングニューラルネットワーク(SNN)モデルである。
SU-YOLOは、整数加算のみに基づく新しいスパイクベースの水中画像復調手法を取り入れている。
その結果、Su-YOLOのmAPは78.8%、パラメータは6.97M、エネルギー消費は2.98mJであることがわかった。
論文 参考訳（メタデータ） (2025-03-31T17:59:52Z) - Frequency Domain Enhanced U-Net for Low-Frequency Information-Rich Image Segmentation in Surgical and Deep-Sea Exploration Robots [34.28684917337352]
CNNと人間の視覚系における周波数帯域感度の差について検討する。
本稿では、生体視覚機構にインスパイアされたウェーブレット適応スペクトル融合(WASF)法を提案する。
我々は SAM2 のバックボーンネットワークを利用する FE-UNet モデルを開発し, セグメンテーション精度を確保するために細調整した Hiera-Large モジュールを組み込んだ。
論文 参考訳（メタデータ） (2025-02-06T07:24:34Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - Dense Attention Fluid Network for Salient Object Detection in Optical
Remote Sensing Images [193.77450545067967]
光リモートセンシング画像(RSI)における有意物体検出のためのエンド・ツー・エンドDense Attention Fluid Network(DAFNet)を提案する。
GCA(Global Context-Aware Attention)モジュールは、長距離の意味的関係を適応的にキャプチャするために提案される。
我々は、2000枚の画像とピクセルワイドなサリエンシアノテーションを含むSODのための新しい、挑戦的な光学RSIデータセットを構築した。
論文 参考訳（メタデータ） (2020-11-26T06:14:10Z) - A water-obstacle separation and refinement network for unmanned surface
vehicles [13.515085879331425]
本稿では,これらの問題に対処するため,新しいディープエンコーダ・デコーダアーキテクチャ(WaSR)を提案する。
その結果,WaSRは2番目の手法に比べてF値が14%向上し,最先端技術よりも高い性能を示した。
論文 参考訳（メタデータ） (2020-01-07T07:47:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。