FisHook— 使用 MobileNetV2 优化的海洋物种分类方法
研究针对海洋资源的保护和可持续渔业发展,提出了一种使用先进机器学习技术进行鱼类分类的轻量级分类器模型以及鱼类的可食用性判断。模型使用修改版的 MobileNet 模型对印度尼西亚群岛海域的鱼类图像进行分类,并在有限的硬件上实现了高达 97% 的准确度,为渔船上的实时鱼类分类提供了实际解决方案,并可提供有关不同鱼类种类的移动和位置的宝贵信息。
Jan, 2024
提出了一种基于计算机视觉的自动化鱼类数量评估系统,该系统能够通过低成本数字相机拍摄的图像进行鱼类分类和尺寸估计,训练模型在手动标注的 50000 张图像数据集上训练,实现了鱼类分割、物种分类和长度估计任务的高精度。
Mar, 2024
该研究使用现有的水下数据集 Brackish-Dataset,评估了多种目标检测模型(包括 EfficientDet,YOLOv5 等)在含盐度高、可见度低的自然复杂环境下的效果,其中,通过修改 EfficientDet 的机制,实现了对抗性干扰下高 Iou 的复杂特征融合,并提供了针对模型黑盒性的类激活映射解释。研究结果表明,修改后的 EfficientDet 在五倍交叉验证下,比其他模型表现更好,具有更高的 IoU。
May, 2023
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
使用相机陷阱监测动物是生态学家全球使用的一种高效且无创的方法,通过深度学习和计算机视觉的最新进展,可以自动化这一过程,但是在将这些模型应用于世界其他地方独立收集的图像时,存在着泛化性的障碍。在此,我们使用深度主动学习工作流程,并训练一个适用于在香港收集的相机陷阱图像的模型。
Mar, 2024
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
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
本文对使用深度神经网络(DNN)进行海洋垃圾检测的问题及相关问题(如图像分类、匹配和检测建议)进行了全面评估,研究结果表明,对于评估任务,DNN 是一种优越的技术,尤其是在匹配和检测建议任务方面具有很大的优势,这对于实践者是有价值的信息。
May, 2019
现代浮游生物高通量监测依赖于深度学习分类器对水生态系统中的物种识别。我们研究中集成了 ZooLake 数据集和 10 个独立部署日的手动标注图像,作为用于评估超出数据集的表现的测试单元。我们通过分析发现,在实际场景中,分类器在初始数据集条件下表现良好的情况下也会遇到显著失败的例子。我们提出了一个三步骤的流程:(一)辨别比正常测试性能下的超出数据集降级,(二)进行降级原因的诊断分析,以及(三)提供解决方案。我们发现,使用 BEiT 视觉转换器进行集成的模型在超出数据集鲁棒性、几何集合和基于旋转的测试时间增强方面具有较强的模型,我们称之为 BEsT 模型。它的超出数据集准确度为 83%,错误集中在容器类上。此外,它对数据集变化的敏感性较低,并且能够很好地体现浮游生物的丰度。我们提出的流程适用于通用的浮游生物分类器,在适当的测试单元可用的情况下。通过非常短的表达,我们的研究为更可靠的浮游生物分类技术的发展提供了帮助。
Jan, 2024