相关实验视频
Updated: Jan 16, 2026
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
13.0K
FDMNet:一个多任务网络,用于联合检测和细分三种鱼类疾病
Zhuofu Liu1, Zigan Yan1, Gaohan Li1
1The Higher Educational Key Laboratory for Measuring and Control Technology and Instrumentations of Heilongjiang Province, Harbin University of Science and Technology, Harbin 150080, China.
Journal of imaging
|September 26, 2025
概括
一个新的深度学习模型,FDMNet,同时检测和细分鱼类疾病. 这种多任务的方法提高了准确性和稳定性,为水产养殖业的经济损失提供了实际的解决方案.
科学领域:
- 水产养殖是水产养殖的一种方式.
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 鱼类疾病导致水产养殖业的重大经济损失.
- 当前的深度学习模型通常在检测单个鱼类疾病类型或执行单个任务方面存在局限性.
研究的目的:
- 开发一个先进的深度学习网络,FDMNet,能够同时检测鱼类疾病和病变细分.
- 解决水产养殖现有的单一任务模型的局限性.
主要方法:
- FDMNet是一个基于YOLOv8框架构建的多任务学习网络,结合了具有多尺度感知的语义细分分支.
- 使用C2DF动态特征融合模块,以防止在跨尺度的特征融合过程中信息丢失.
- 使用基于不确定性的损失加权和PCGrad来管理检测和细分任务之间的冲突梯度.
主要成果:
- 在针对三个鱼类疾病的定制数据集上,FDMNet在检测方面实现了97.0%的mAP50和在细分方面实现了85.7%的mIoU.
- 与YOLO-FD基线相比,显示了检测mAP50的2.5%改善和细分mIoU的5.4%改善.
- 在检测和细分任务中展示了竞争力的准确性.
结论:
- FDMNet有效地同时进行鱼类疾病检测和细分.
- 提出的方法提高了模型的稳定性和性能,为水产养殖疾病管理提供了实际实用性.
