May, 2023

珊瑚礁区生物热点的机器人可视化勘测

PDF
TL;DR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。
coral reefsautonomous underwater vehiclesbiological hotspot detectionphotogrammetryrugosity
发现论文，激发创造
  • 高效大规模 AUV 视觉海底地图生成

    通过结合海洋数据科学、深海探索、自主水下载具、水下成像和机器人三维重建等技术的最新发展，我们提出了一个系统，可在海底面积达公顷级的范围内进行自动化的机器人三维重建。该系统经过多次研究航行的测试和评估，展示了在真实条件下的稳定性和实用性。

    Aug, 2023

  • 深度学习在珊瑚礁可扩展语义三维建模中的应用

    该研究提出了一种新的方法，通过机器学习和语义分割技术实现了高精度的三维语义地图，从而实现了对珊瑚礁等水下环境的大规模自动分析和监测，降低了劳动力成本，为保护政策提供了更高效的信息。

    Sep, 2023

  • 使用点标注和少样本学习在自主水下机器人图像中检测濒危海洋物种

    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

  • Reef-insight: 利用聚类方法和遥感技术的珊瑚礁栖息地制图框架

    本研究采用无人监督机器学习框架 Reef-insight，并结合遥感数据进行珊瑚礁生态系统管理和研究，结果表明该框架可以生成详细的礁石和地貌聚类，有助于珊瑚礁生态环境的修复项目。

    Jan, 2023

  • 使用 YOLO 进行自动珊瑚检测：高效准确的珊瑚礁监测的深度学习方法

    我们提出了一种利用 YOLO 深度学习模型的自动珊瑚检测系统，该系统针对水下图像分析进行了专门设计，该系统在原始图像数据集上成功实现了高效准确的珊瑚检测，突显了高级计算机视觉技术在珊瑚礁研究和保护中的潜力。

    Apr, 2024

  • 利用水下摄影测量技术进行印度 - 太平洋珊瑚状况的多标签分类的深度学习

    本研究构建了一个包含超过 20,000 张高分辨率珊瑚图像的数据集，使用了七个深度学习架构并提出了一种新的多标签方法，能够准确分类珊瑚状况和提取生态信息，进而为珊瑚图像档案的开发、指导保育活动以及对礁区管理者和保育人员的决策提供参考。该方法在数据集上表现出优越的性能，并展示了业界最先进技术 (State-Of-The-Art)。未来的研究应提高其适用性和准确性，以支持全球珊瑚保育工作。

    Mar, 2024

  • 水下环境实时稠密三维映射

    本文提出了一种针对自主水下载具 (AUV) 的实时稠密三维重建方法，该方法使用了一个鲁棒的 VIO 方法 SVIn2 和一个实时三维重建管道。该管道在四个具有挑战性的水下数据集上获得了可比拟 COLMAP 的重建结果，并在单 CPU 上获得了高帧率。

    Apr, 2023

  • 一种新的水下图像增强和改进的水下生物检测流程

    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

  • 革新自主式水下航行器（AUV）与海底图像处理技术的水下探测

    通过对自主水下车辆技术和海床图像处理技术的最新进展的全面调查，我们将探索这些进展如何改变我们探索和理解海洋的方式，以及它们对海洋科学未来的潜在影响。加入我们一起发现激动人心的水下探索世界以及推动其发展的技术。

    Nov, 2023

  • CUREE：一款用于生态探测的好奇水下机器人

    介绍了一种名为 CUREE 的机器人平台，利用其行为和感知能力可以深入地探索和监测复杂的水下生态系统，如珊瑚礁，并通过两个实地测试展示了该平台的能力。

    Mar, 2023