[논문 리뷰] FinSight-Net:A Physics-Aware Decoupled Network with Frequency-Domain Compensation for Underwater Fish Detection in Smart Aquaculture

Jinsong Yang, Zeyuan Hu외 2명|arXiv (Cornell University)|2026. 02. 23.

Water Quality Monitoring Technologies인용 수 0

한 줄 요약

FinSight-Net은 물리 기반의 MS-DDSP 병목과 EPA-FPN 넥을 도입하여 수중 물고기 탐지에서 파장 의존 흡수와 역산란을 완화하고 매개변수 수가 적은 상태에서 최첨단 정확도를 달성한다.

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.

연구 동기 및 목표

• 스마트 양식에서 흡수 및 산란으로 인한 수중 영상 감소 문제를 해결한다.
• 특징 스트림을 분리해 생물학적 신호를 복원하는 경량의 물리 인식 탐지기를 개발한다.
• 탁한 물에서 다중 스케일 특징 융합을 향상시켜 고주파 상세 정보를 보존한다.

제안 방법

• 주파수 도메인 보상을 위한 네 개의 병렬 분기를 갖는 Multi-Scale Decoupled Dual-Stream Processing (MS-DDSP) 병목을 제안한다.
• 수직 방향 장거리 스킵 연결 및 경로 가지치기가 있는 Efficient Path Aggregation FPN (EPA-FPN)을 구현한다.
• 전역 통계에 기반해 가지 출력에 가중치를 주기 위해 채널 단위 소프트 어텐션을 사용한다.
• 백본은 EPA-FPN 및 MS-DDSP와 통합된 CSPDarknet으로, 강건한 특징 추출을 보장한다.
• 설계를 Jaffe–McGlamery 광학 모델에 근거하여 역산란과 흡수 효과를 분리한다.

실험 결과

연구 질문

• RQ1 물리 인식적이고 분리된 네트워크가 수중 물고기 탐지를 위한 블랙박스 CNN/Transformer 탐지기보다 성능이 더 좋은가?
• RQ2 가볍게 구성된 MS-DDSP+EPA-FPN 아키텍처가 탁도와 가림 하에서도 매개변수를 줄이면서 높은 정확도를 유지하는가?
• RQ3 주파수 도메인 보상과 디테일 보존 융합이 탁한 물에서 비강체 물고기의 위치 추정에 어떤 영향을 미치는가?

주요 결과

모델	매개변수(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 (추가)
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-Net은 세 가지 수중 데이터셋(DeepFish, AquaFishSet, UW-BlurredFish)에서 최첨단 mAP50를 달성했다.
• UW-BlurredFish에서 FinSight-Net은 92.8% mAP에 도달했고, 매개변수는 29% 적으면서 YOLOv11s보다 4.8% 포인트 우수하다.
• 아블레이션 결과 EPA-FPN이 매개변수 감소와 함께 mAP50를 6.0% 향상시키고, MS-DDSP가 물리 기반 분기를 통해 상당한 향상을 제공한다.
• EPA-FPN과 MS-DDSP가 결합된 전체 모델은 UW-BlurredFish에서 6.7M 매개변수와 20.4 GFLOPs로 53.4% mAP50를 달성한다.
• 일반화 시험: DeepFish에서 학습하고 Fine-tuning 없이 UW-BlurredFish에서 평가해 탁도와 조명 변화에 대한 강건성을 입증한다.