DeepFish 提出了一个大规模的、适用于多个计算机视觉任务的数据集，该数据集包含了约 40,000 张图像，覆盖了 20 个热带海洋环境的鱼类栖息地，并且收集了点级别和分割标签，可以用于鱼类数量的自动监测、位置的标识和大小的估计。该数据集可以作为一个测试基准，用于激励在这一具有挑战性的水下计算机视觉领域的进一步发展。

Aug, 2020

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

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

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

本论文提出了 iNaturalist 物种分类和检测数据集，包括来自全球 5000 多种植物和动物的 859,000 张图片，其中包括视觉相似的物种以及具有各种图像质量和类不平衡性的图片。通过对数据集进行广泛的基准实验，本文的结果表明目前基于非集成方法的计算机视觉分类和检测模型只能达到 67% 的准确率，提出了面临的挑战和需要更多低阶学习关注的解决方案。

Jul, 2017

利用摄像头监控野生动物的数量，使用自动物种分类技术与公民科学数据和遥感数据拓展摄像头在不同地理位置的应用，为此我们提出了一种挑战性分类问题。

Apr, 2020

本文阐述了野生动物种群监测中的探照灯自动采集引进了大量图像数据，使用目标检测技术识别和计算每个物种个体数时需要考虑时空因素以及个体重新识别，同时描述了一个跨地区的物种分类和数量计算的挑战。

May, 2021

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

本研究在野外应用于海洋生态学两个大规模数据集，并研究了文献中的若干量化方法，特别是表明了在有限的数据下深度神经网络可以胜过其他方法。

Oct, 2015

本研究提供了一个新的深海数据集，通过四次不同时间拍摄的同一海底热液喷口的图像，评估了多种长期水下定位技术的效果，对数据进行了分析并揭示了多年来的主要变化。

May, 2023