本文提出使用计算机视觉模型和后处理技术来创建一个完全自动的 Photo-identification (photo-id) 识别系统，该系统可以根据所有可用信息提供最可能的匹配，无需数据预处理，用于监测海洋中哺乳动物种群。系统通过目录相似性比较，能够处理以前未编目的个体，并标记这些个体以进行进一步调查。该文研究表明，系统在多个现实生活中的 Photo-id 相册上的表现非常好。

Dec, 2022

通过积分曲率等方法，识别鲸鱼和海豚的尾鳍轮廓，较高准确度地区分个体。

Aug, 2017

本文介绍了通过照片识别和被动声学监测等方法来进行海豚研究，并制作出了北伯兰海豚数据集，以减少人工分类图像所需的时间和劳力，并且可以帮助建立鲸类识别模型。

Aug, 2019

利用深度学习技术实现动物自动计数，实验表明，UNet 模型应用高斯密度图训练，以达到快速高效计数目的，特别适用于复杂背景下的航空图像中非洲象和海豚的计数任务，减少了人类对野生动物的干扰，为野生动物保护与和谐相处提供了有效的技术手段。

Jun, 2023

本文介绍了 2020 年北伯灵顿海豚数据集 (NDD20)，这是一个注释了粗细粒度实例分割和分类的挑战性图像数据集。这是针对计算机视觉进入保护研究和适用于极端环境条件的现场可部署系统领域的应急创建的。数据集包含两种不同海豚物种在海上和海下采集的大量图像，且所有数据都是手动收集的。作者还使用标准的深度学习网络架构对数据集进行实验，并报告了基线实验结果。

May, 2020

通过生成航空和卫星合成图像数据集，SeaDroneSim2 基准套件改善了鲸鱼检测并减少了训练数据收集所需的工作量，相比仅使用真实数据进行训练，在鲸鱼检测方面取得了 15％的性能提升，通过对 10％的真实数据进行增补。

Aug, 2023

海洋科学家收集了图像数据进行研究海洋生物多年来，这些图像和视频在基础科学和环境监测任务中非常有价值。然而，目前没有能够处理海洋视觉采样中普遍存在的样本种群的极端变异性、图像质量和栖息地特征的工具。为了充分利用海洋中的视觉数据，创建能够识别图像或视频序列中是否包含新生物、非常规动物集合或者是否越界的模型至关重要。FathomNet2023 竞赛数据集提供了一个真实的情景，其中目标数据中的动物集合与训练数据不同。挑战是在目标图像中识别生物并评估其是否越界。

Jul, 2023

通过借鉴少样本学习的最新方法，将普通海洋物种的图像和注释用于提高检测器对稀有和难以辨认物种的识别能力，提高了对手鳍鱼的平均精度，可应用于低样本标注的其他物体，并有助于积极监测受威胁、濒危和受保护的物种。

Jun, 2024

本研究提出了一种基于对比学习的模型，将物理标记技术替换为图像分析进行个体鉴定，其在对 Symphodus melops 的照片进行处理后，取得了较高的准确率。

Jan, 2023

本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

May, 2022