Method for restoring occluded boundaries of dense juvenile abalone in aquaculture environments based on discrete cosine transform
本文提出了一种通过集成跨尺度特征融合模块和基于离散余弦变换的可学习噪声模块，来修复养殖环境中高密度幼年鲍鱼被遮挡边界的新方法，旨在提高分割精度并解决尺寸小、分布密集以及遮挡复杂的问题。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在繁忙的水产养殖世界中，鲍鱼是一种备受青睐的生物，因其丰富的营养和对肉类的高需求而倍受重视。对于养殖户而言，养殖这些软体动物的早期阶段至关重要。在它们被出售或转移到更大的水箱之前，幼年鲍鱼必须根据大小进行仔细的分拣和分级。这一过程传统上是手工完成的，是一项缓慢且耗费劳动力的任务，需要工人亲手接触这些脆弱的动物。这种接触存在损坏其外壳并引入病毒的风险，从而威胁到整个种群。为了解决这个问题，科学家们转向了计算机视觉领域，这是一个让机器学习如何“看”并分析图像的领域。目标是创建一个能够自动计数并测量这些微小生物，且无需任何接触的系统。然而，这项任务远非易事。在真实的养殖池中，成千上万只鲍鱼聚集在一起，经常互相堆叠。在摄像机看来，它们就像是一团纠缠在一起、不断移动的贝壳，个体边界难以辨认。当计算机尝试分离它们时，往往会将许多个体的集合看作一个巨大的斑块，或者无法识别出一个动物结束与另一个开始的边缘。
中国龙东大学的研究团队开发了一种新方法，旨在帮助计算机看穿这种视觉上的混乱。他们专注于一个特定的挑战——“遮挡”（occlusion），这是指一个物体遮挡了另一个物体视线的技术术语。在他们的研究中，他们解决了密集、微小目标的难题——具体而言，就是挤在一起的、生长在海藻中的幼年鲍鱼。研究人员构建了一个名为 AbData 的自定义数据集，其中包含超过 14.8 万张这些拥挤场景的图像，用于训练他们的系统。他们发现，现有的计算机程序虽然在处理较大或间距较宽的物体时表现良好，但在处理这些微小且重叠的贝壳时却显得非常吃力。这些程序往往无法在每只鲍鱼周围画出正确的轮廓，导致出现缺口，或将不同的动物合并成一个形状。
为了解决这个问题，研究人员设计了一种新的计算机模型，其作用就像一位熟练的艺术家在重构一张撕裂的照片。他们的方法依赖于两项主要创新。首先，他们创建了一个能同时通过不同“细节镜头”观察图像的系统。想象一下观察一个拥挤的房间：从远处看，你看到的是人群的模糊影像；近距离观察，你能看到脸部和双手。新模型结合了这些不同的细节层次，使其既能理解整体人群，也能理解单个贝壳的具体形状。这有助于计算机即使在边界被邻近个体遮挡时，也能推测出隐藏边界的位置。其次，他们引入了一种利用分析图像中明暗模式的数学技术来“填补空白”的方法。当计算机看到一条破碎的边缘时，系统的这一部分会学习预测缺失的线条应该是什么样子，从而平滑掉那些通常会让其他程序感到困惑的锯齿状或不完整的形状。
他们的测试结果表明，这种新方法是有效的。当他们将该系统与其他流行的计算机视觉工具进行对比时，他们的模型产生了更准确的鲍鱼轮廓。它在分离紧密排列的动物方面表现尤为出色，减少了将两只鲍鱼误计为一只，或漏掉某个动物的错误数量。该系统还保持了高速度，处理图像的速度足以满足实时养殖环境的需求。通过提高识别和计数这些微小、隐藏生物的能力，研究人员提供了一个最终可能取代人工分拣的工具。这不仅将加快分级过程，还将保护鲍鱼免受人类操作带来的压力和潜在伤害，为该行业提供一个更清洁、更高效的未来。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。