[論文レビュー] FinSight-Net:A Physics-Aware Decoupled Network with Frequency-Domain Compensation for Underwater Fish Detection in Smart Aquaculture

Jinsong Yang, Zeyuan Hu+2 more|arXiv (Cornell University)|Feb 23, 2026

Water Quality Monitoring Technologies被引用数 0

ひとこと要約

FinSight-Netは物理学を意識した MS-DDSP ボトルネックと EPA-FPN ネックを導入し、海中魚の検出における波長依存の吸収と後方散乱を軽減。パラメータ数を減らしつつ最先端の精度を達成。

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.

研究の動機と目的

• スマート養殖における吸収と散乱による水中画像の劣化に対処する。
• 特徴ストリームをデカップリングして生物的信号を回復する軽量な物理意識型検出器を開発する。
• 濁度のある水で高周波詳細を保持するための多スケール特徴融合を改善する。

提案手法

• 周波数領域補償のための四つの並列ブランチを持つ Multi-Scale Decoupled Dual-Stream Processing (MS-DDSP) ボトルネックを提案する。
• 垂直長距離スキップ接続とパス剪定を備えた Efficient Path Aggregation FPN (EPA-FPN) を実装する。
• グローバル統計に基づいてブランチ出力を重み付けするチャネル-wise ソフトアテンションを使用する。
• バックボーンは EPA-FPN と MS-DDSP を組み込んだ CSPDarknet で頑健な特徴抽出を実現する。
• バックグラウンドはJaffe–McGlamery光モデルに基づき、後方散乱と吸収の効果を分離する。

実験結果

リサーチクエスチョン

• RQ1 物理意識を持つデカップルドネットワークは水中魚検出におけるブラックボックスのCNN/Transformer検出器より優れられるか。
• RQ2 軽量な MS-DDSP+EPA-FPN アーキテクチャは濁りと遮蔽下で高い精度を維持しつつパラメータを削減できるか。
• RQ3 周波数領域補償とディテール保持フュージョンは濁水中で非剛体の魚の局在化にどのような影響を与えるか。

主な発見

モデル	Params (M)	FLOPs (G)	DeepFish mAP50	DeepFish mAP50-95	DeepFish P	DeepFish R	AquaFishSet mAP50	AquaFishSet mAP50-95	AquaFishSet P	AquaFishSet R	UW-BlurredFish mAP50	UW-BlurredFish mAP50-95	UW-BlurredFish P	UW-BlurredFish R	UW-BlurredFish mAP50 (additional)
FinSight-Net (Ours)	6.7	20.4	90.3	90.2	90.4	94.6	53.9	92.2	90.8	93.6	56.4	92.4	91.5	92.8	55.4

• FinSight-Netは三つの水中データセット（DeepFish、AquaFishSet、UW-BlurredFish）で最先端の mAP50 を達成。
• UW-BlurredFish では FinSight-Net が 92.8% mAP を達成し、YOLOv11s を 4.8% 上回り、パラメータを 29%削減。
• アブレーションでは EPA-FPN が パラメータを削減しつつ mAP50 を 6.0% 向上させ、MS-DDSP が物理意識ブランチを介して大きな利得を提供。
• EPA-FPN および MS-DDSP を備えた完全モデルは UW-BlurredFish で 53.4% mAP50 を 6.7M パラメータと 20.4 GFLOPs で達成。
• 一般化テスト：DeepFish で学習し UW-BlurredFish で微調完無く評価し、濁度と照明変動に対する頑健性を示す。