Page 117 - 《渔业研究》2026年第1期

114 渔 业 研 究 第 48 卷

3 结果与分析 腹面图像的引入引发特征空间干扰，致使模型在跨
视角特征对齐中出现显著冲突，因此将背腹面图像
3.1 模型训练
从后续识别流程中排除。
基于背腹面图像训练的特征学习模型 FL_dv
双侧面特征学习模型共训练 200 个迭代轮次
（Dorsal-ventral feature learning） ，经过 160 轮迭 （epoch） ，训练过程中准确率波动上升并最终趋
代训练，其逐轮次验证准确率呈低水平振荡（最高 于平稳，用于 100 尾和 200 尾测试个体的中长期识
仅为 2.19%） ，表明背腹面视角数据未能建立有效 别模型分别记为 FL_100tl （Feature learning 100test
特 征 表 示 ； 而 融 合 双 侧 面 图 像 的 FL_dvb 模 型 long-term） 、FL_200tl。验证时，FL_100tl 的准确率
（Dorsal-ventral+bilateral feature learning）验证准 最高为 85.56%，FL_200tl 为 85.31%，短期识别模型
确率呈缓慢上升趋势（图 5） ，对比分析表明，背 FL_500ts_oneside 的准确率最高为 99.50%（图 6） 。

背腹面特征学习模型 Dorsal-ventral feature learning model
12
背腹面+双侧面特征学习模型 Dorsal-ventral+bilateral feature learning model
10 8

准确率/% Accuracy 6 4

2

0
20 40 60 80 100 120 140 160
迭代轮次 Epoch
图 5 背腹面模型训练准确率变化曲线
Fig. 5 Accuracy variation curve during training of the dorsal-ventral surface model

115, 99.50%
100
109, 85.31% 150, 85.56%
80

准确率/% Accuracy 60

40

500尾短期识别模型 500-individual short-term recognition model
20
100尾中长期识别模型 100-individual medium-to-long-term recognition model
200尾中长期识别模型 200-individual medium-to-long-term recognition model
0
20 40 60 80 100 120 140 160 180 200
迭代轮次 Epoch
图 6 双侧面模型训练准确率变化曲线
Fig. 6 Accuracy variation curve during training of the dilateral model

3.2 短期识别结果 识别结果的判定标准为：当预测置信度>0.5 且与真
基于短期识别模型与检索特征库，对测试集个 实标签一致时，记为正确识别，其余情况判定为错
体的侧面 2 图像进行识别分析。通过平衡误拒率与 误识别。经实验验证，模型在 500 尾测试个体上的
误识率的优化策略，将决策置信度阈值设定为 0.5。 总体识别准确率达 95.20%（误识率 4.80%） 。为