CUREE：一款用于生态探测的好奇水下机器人
利用自主水下车辆、视觉检测器和摄影测量的方法，我们成功地高分辨率地绘制和识别了珊瑚礁的生物热点图，并发现这些热点图与珊瑚礁生物多样性和丰富度的代理测量——皱度具有一定的相关性，这为珊瑚礁保护管理提供了有价值的信息。
May, 2023
通过使用稳定的多脉冲结构作为检测标准，在嘈杂环境中识别和分类点击存在，区分噪声瞬变并处理多只抹香鲸的同时发射，实现了高噪声瞬变和低信噪比的处理。与两个基准检测器的结果相比，我们观察到精确率和召回率之间更好的权衡，尤其是在嘈杂环境中显著降低了误检测率。
Dec, 2023
Aquarium是一个开源的、全面的多智能体强化学习环境，旨在研究捕食者-被捕食者交互中的自发行为。该环境使用PettingZoo框架和PPO算法实现了资源高效的可视化，并证实了参数共享在提高协调性和样本效率方面优于个体学习。
Jan, 2024
机器学习对于生态评估中的被动声学监测具有革命性的潜力，通过预训练网络可以降低高昂的注释和计算成本，本研究在珊瑚礁生物声学领域确定了最佳的预训练策略，通过交叉领域混合预训练，实现了用于海洋被动声学监测数据的自动化分析。
Apr, 2024
通过海底成像技术的发展，建立了全球的海底影像数据库BenthicNet，以用于支持大规模图像识别模型的培训和评估，初步结果表明它有助于自动化大规模和小规模的图像分析任务。
May, 2024
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
利用传统概率方法和语义对象分割的先进技术，通过跟踪鱼群在世界坐标系中的位置和空间扩展，结合视频数据和无人机上的传感器信息，从而实现对鱼群行为的长期分析。
Jun, 2024
本研究解决了当前牡蛎监测系统破坏性强和人工识别耗时的问题。我们提出了一种新方法，利用稳定扩散生成高质量的合成海洋数据，以训练基于YOLOv10的视觉模型，实现了牡蛎检测的最新效果。该系统不仅提升了牡蛎栖息地监测的效率，也为海洋环境中的自主监控提供方案，推动水产养殖与保护工作的发展。
Sep, 2024
本研究旨在解决当前牡蛎监测方法依赖破坏性手段的问题，通过提出一种新颖的管道，利用稳定扩散技术增强实际数据集，并生成逼真的合成数据，以训练基于YOLOv10的视觉模型。此模型在水下机器人边缘平台上部署和测试，实现了牡蛎检测的最先进结果，显著推动了监测技术的发展。
Sep, 2024