本研究由来自印度马尼帕尔高等教育学院马尼帕尔理工学院的Prithvi Shenoy、Ramyashree、S. Raghavendra和B. N. Anoop等人完成，发表于Scientific Reports，论文于2026年4月4日投稿，2026年7月31日被接收。论文系统比较了深度学习架构、损失函数与集成策略在水下鱼类物种分类任务中的表现。
研究背景方面，水下鱼类物种的准确识别对于海洋生物多样性监测、可持续渔业管理和智能水产养殖具有重要意义。传统的人工分类方式耗时、易错且需要大量领域专家，难以扩展到大规模水下图像分析场景。然而，水下图像分类受制于类别不平衡、光照变化、水体浑浊、物种间高度相似等复杂因素，使得常规卷积神经网络模型在跨物种泛化能力上面临较大困难。该研究旨在通过系统评估现代卷积神经网络与视觉Transformer架构，结合不同的类别不平衡损失函数和集成融合策略，建立一套水下鱼类物种分类的基准方法和可复现的评估流程。
在方法流程方面，该研究主要分为数据集准备、数据预处理与增强、模型架构选择、模型训练与评估、集成学习性能评估五个阶段。研究所使用的核心数据集为Mark Daniel Lampa Kaggle鱼类数据集，包含31个物种共13304张高分辨率水下图像。为减少数据泄漏风险，作者首先将原始的训练、验证、测试图像合并，通过MD5哈希算法去除完全重复图像，再通过感知哈希算法去除因缩放、压缩等操作产生的近似重复图像，最终获得8240张唯一图像，降幅约38.1%。清洁后的数据集按70:15:15的比例按类别分层划分训练、验证和测试子集，并固定随机种子为42以保证可重复性。在预处理阶段，所有图像统一调整为224×224像素，并使用ImageNet均值与标准差进行归一化。训练阶段仅对训练集应用随机水平翻转、颜色抖动和最高10度的随机旋转等增强手段。类别权重根据训练集类别频率计算，并嵌入到交叉熵损失和焦点损失中，以缓解类别不平衡影响。研究还引入随机过采样策略平衡少数类样本。
模型架构方面，研究选取了四种具有互补设计特性的深度网络：EfficientNet-B0、EfficientNetV2-S、Swin Transformer-Tiny和ConvNeXt-Tiny。EfficientNet-B0以复合缩放著称，具备较高的参数效率；EfficientNetV2-S引入融合MBConv层和渐进学习策略，训练速度更快；Swin Transformer-Tiny采用分层窗口自注意力机制，能够建模局部与全局特征依赖；ConvNeXt-Tiny则是借鉴视觉Transformer设计原则的现代化卷积网络，具有较强的特征表示能力。所有模型均基于预训练权重初始化，并在Adam优化器、初始学习率1×10⁻⁴、批大小32、最多30个训练轮次、早停耐心值5的设置下分别使用两类损失函数独立训练。验证准确率最高的模型被保留用于最终测试。
在个体模型性能上，使用类别加权交叉熵损失训练时，EfficientNet-B0取得了最高的测试准确率94.81%，而ConvNeXt-Tiny获得了最高的宏F1分数0.9394，表明其在所有类别上的表现更加均衡。使用焦点损失时，EfficientNet-B0仍为最佳模型，准确率为93.77%，宏F1为0.9302，EfficientNetV2-S表现最差，准确率仅90.82%。交叉熵损失在全部四个模型上的平均准确率比焦点损失高约1.79个百分点，其中EfficientNetV2-S的差距最大，达到3.43个百分点。作者认为，虽然焦点损失专为困难样本和少数类学习设计，但在经过重复图像清理和类别加权处理后，焦点损失引入的额外权重分配并未带来明显优势，甚至导致轻微性能下降。
集成策略方面，研究比较了硬投票和软投票两种融合方式。硬投票采用多数表决确定最终预测，软投票则平均各模型的预测概率并选择平均概率最高的类别。实验结果显示，在两种损失函数条件下，软投票集成均优于硬投票。其中，使用焦点损失训练的四模型软投票集成在清洁后的Kaggle测试集上取得最优性能，测试准确率97.21%，宏F1分数0.9678。值得注意的是，虽然焦点损失在个体模型上弱于交叉熵损失，其在软投票集成中却取得了更高的整体性能，说明焦点损失训练出的个体模型之间具有更大的多样性，从而增强了集成效果。消融实验进一步表明，加入EfficientNetV2-S后，三模型软投票集成在焦点损失下的准确率从96.97%提升至97.21%，宏F1从0.9657提升至0.9678，验证了异构架构在增强集成多样性中的贡献。
计算复杂度分析显示，EfficientNet-B0仅包含405万参数、0.77 GFLOPs，模型大小约15.7 MB，适合资源受限环境。EfficientNetV2-S拥有2022万参数和5.42 GFLOPs，而ConvNeXt-Tiny和Swin Transformer-Tiny分别包含约2784万和2754万参数，计算量约8.9和8.7 GFLOPs。在GPU推理延迟方面，ConvNeXt-Tiny速度最快（约40.7–41.4 ms），EfficientNetV2-S最慢。模型复杂度不受损失函数选择的影响。
为评估领域迁移泛化能力，研究构建了包含310张互联网来源图像的外部测试集，覆盖相同的31个鱼类物种，每类10张。四模型焦点损失软投票集成在该外部数据集上的准确率为76.39%，宏F1为0.7335，相比Kaggle测试集出现明显下降。混淆矩阵显示，形态相似的鱼类群体之间误分类增加，反映出成像条件、背景复杂度、视角变化等因素导致的领域偏移对模型性能的显著影响。作者指出，尽管性能下降，集成方法仍保持了一定的分类能力，未来可通过更大规模多样化训练数据、领域自适应和自监督预训练等手段进一步提升跨域鲁棒性。
该研究的主要亮点包括：在统一的实验设置下系统比较了现代CNN与Transformer架构在水下鱼类分类中的表现；对比了类别加权交叉熵损失和焦点损失在多类别不平衡任务中的适用边界；评估了三模型与四模型集成配置下硬投票与软投票的性能差异；提供了经过MD5与感知哈希双重去重后的清洁数据集划分方案和完整文件名列表，支持复现；并通过独立外部数据集进行了领域偏移条件下的泛化评估。研究还指出，鱼类物种分类是未来端到端水下监测系统中的关键模块，后续工作应整合鱼类检测与定位模块，形成完整的水下生态监测流程。源代码已在GitHub公开并在Zenodo永久存档（DOI: 10.5281/zenodo.19315919），为后续研究提供了可复用的基准。