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

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

本研究旨在开发自动化方法，利用无监督阈值处理和形态处理技术从数码照片中提取鲸豚背鳍轮廓，从而减少手动用户输入，成功率约为 93% 且能显著降低用户输入时间。

Feb, 2012

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

本文提出了一种基于机器学习和图像处理的新方法，用于在高环境噪声和干扰噪声的情况下识别北大西洋北鲸的叫声，并采用连续区域算法和网格掩模技术进行处理，提取特征并进行分类，结果表明该技术可以有效地从 20000 多个音频片段中检测到鲸鱼叫声，并超过了 90% 的真实阳性率。

May, 2013

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

本文介绍了一个卷积神经网络，其能够对三种鲸鱼、非生物噪声和环境噪声进行分类，以便于检测出水声记录中的鲸鱼叫声。作者们还提出一种新的声学信号表示方法，该方法建立在常用的谱图表示的基础上，通过差值和堆叠使用不同的短时傅里叶变换参数生成的多个谱图。该方法特别适用于海洋哺乳动物物种分类的任务中。

Jul, 2019

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

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

本研究提供了 Fishnet 开源数据集，该数据集包含 86,029 张图像，涵盖了 34 种物体类别，为电子监控（EM）系统上的鱼类检测和精细分类提供了数据支持，并评估了现有的检测和分类算法的性能。

Jun, 2021