科学家们越来越多地使用基于成像的技术研究浮游生物，而 WHOI-Plankton 是一个大规模、细粒度的可视化识别数据集，包括了 70 类超过 340 万张的专家标记图像，用于通过传统方法和两种基于卷积神经网络的方法来进行自动分类，并讨论了相关的分类性能评估指标和结果。

Oct, 2015

深度学习方法在浮游生态学中的实施带来了新的视角，提供了一种客观的方案来研究不同环境中的浮游生物。它们包括图像的检测和分类、觅食和游泳行为分析以及生态模拟。深度学习有潜力加速分析并减少人类实验偏差，从而在具有改进可重复性的相关时间和空间尺度上支持数据获取。我们还讨论了其不足，并展示了深度学习架构如何发展来减少不精确的结果。最后，我们提出了深度学习特别可能促进浮游生物研究的机会，并提供了详细的教程和代码样本，使读者能够将本综述中描述的方法应用于自己的数据。

Sep, 2023

本文提出了一种高效的无监督学习流程来提供准确的浮游生物分类，并比较其与现有技术，在所有数据集中性能更好，提供更好的图像嵌入特性。

Sep, 2022

浮游生物识别和域适应方法在不同成像仪器之间产生领域偏移，本研究提出了一个新的域适应数据集（DAPlankton）和三种常用域适应方法的基准比较。

Feb, 2024

本文介绍了一种基于自编码器的无监督异常检测系统，可应用于检测可能对浮游植物寄生或感染的异常现象，并与基于 Faster R-CNN 的有监督方法进行比较。该无监督方法具有更广泛的适用性，不需要注释的异常数据，并在 9 种浮游植物物种中达到 0.75 的 F1 得分。

Mar, 2023

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

PhyTracker 是一种智能的现场追踪框架，旨在通过三个创新模块（纹理增强特征提取模块、注意力增强时间关联模块和流无关的运动细化模块）解决水中浮游植物监测的挑战，并经过广泛的实验验证了其在浮游植物跟踪方面的优越性。

Jun, 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

英国南极调查队研究人员在南极每年进行考察，以估计南极磷虾生物量并评估与前几年的变化。通过比较，我们开发了自动化的数据收集和分析工具，利用基于网络的图像注释工具和深度学习图像分类和回归模型。我们实现了高度准确的磷虾实例分割结果，平均 AP 得分为 77.28%，并且对磷虾标本的成熟阶段和长度估计的准确性分别为 62.99% 和 1.96 毫米。

Sep, 2023