Page 115 - 《渔业研究》2026年第1期

112 渔 业 研 究 第 48 卷

行特征检索，获得特征最为相似的个体编号，实现 残差学习框架，通过跳跃连接，将输入特征直接传
个体识别。构建的个体识别模型以识别准确率 递到后续层，与卷积层结果叠加构建残差块结构。
（Accuracy）为评价指标，公式如下： 通过“1×1−3×3−1×1”的瓶颈式卷积结构有效压缩
1 N ∑ 参数量，同时保留原始特征信息，既解决了深度神
Accuracy = I（b y i = y i ∧ s i ≥ τ） （1）
N 经网络中的梯度消失问题，又降低了深层特征学习
i=1
式（1）中： N为测试样本总数； 为第 i个样 的复杂度。该架构通过特征复用机制，显著提升了
b y i
本的预测个体 ID； y i 为第 i个样本的真实个体 ID； 图像分类任务的模型能力，首次在 ImageNet 数据
s i 为预测结果的置信度分数； τ为置信度阈值； 集上实现超人类水平的图像分类精度。本研究修改
I（·）表示指示函数（条件成立为 1，否则为 0） 。 原网络最后一个卷积层的 stride 为 1，使得最终输
特征表示构建与检索的核心在于建立图像数据 出特征图尺寸为 14×14，用来提取更加细粒度的特
到特征空间的嵌入映射，该过程由特征学习网络通 征，在不改变模型参数结构的情况下，提升了模型
过非线性变换实现。特征学习整体结构如图 4 所 的性能。在 Neck 部分添加 1 个 embedding 卷积
示，主要包括数据增强、主干网络（Backbone） 、 层，用来对特征进行降维，输入维度为 2 048，输
特征整合层（Neck） 、度量学习。使用 ResNet50 [22] 出维度为 512，在卷积层后添加 Flatten 层，将特征
网络作为 Backbone、ResNet50 的核心原理，采用 矩阵进行展平。

待识别图像 特征向量 识别结果
Image to be recognized Feature vector Recognition result
向量检索
Vector retrieval
检索特征库
Retrieving feature library

特征学习模型
特征提取 Feature extraction
Feature learning model
建立索引 Indexing

检索库图像 特征向量
Retrieving gallery images Feature vector
图 3 图像识别流程
Fig. 3 Image recognition process

2.2 模型训练 以提升泛化能力，整合了间隔 7 周采集的两批次图
特征学习模型采用 Momentum 优化器（μ=0.9） 像数据（产卵期前 8 周与前 1 周） ，通过同一批大
配合 L2 正则化（λ=7×10 ）进行训练，学习率调 黄鱼个体的时序图像特征对比学习，重点捕获其体
−5
度策略包含 5 轮线性预热阶段及余弦退火周期。 态特征在营养强化处理阶段的动态变化规律。对于
基于 PairwiseCosface 与 CircleMargin 构建联合损失 全部双侧面图像有两种不同的识别任务。
函数（权重比 1∶1） ，在 Tesla T4 计算单元上以 中长期识别是在较长时间间隔（7 周）内对同
128 样本/批的规模完成 200 轮迭代训练，初始学习 一个体的图像进行识别。本研究通过植入大黄鱼
率设为 0.01。由于大黄鱼没有明显的皮肤图案，因 体内的 PIT 标记获取个体唯一生物编码，同时在数
此使用主体裁剪得到的图像作为特征学习的区域， 据采集过程中辅以标签纸编号与 PIT 编码建立映射
训练时输入图像的尺寸为 224，采用 RandFlipImage、 关系，有效保障了跨周期个体图像数据的可溯性与

AugMix、RandomErasing 等方法对图像进行随机擦 身份的一致性。通过从养殖群体中独立随机抽取
除和随机水平翻转等操作，以实现数据增强。模型 200 尾（Test-200）和 100 尾（Test-100）个体构建
训练时，采用跨时间节点的双批次图像训练策略， 双量级测试集，评估模型在不同测试样本量下性能