珊瑚礁损害检测模型的开发与图像分类
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
Coral reefs are vital but threatened, and the paper presents BenthIQ, a transformer-based model that outperforms traditional CNN and attention-based models in the pixel-wise classification of underwater substrates, demonstrated through a case study in French Polynesia.
Nov, 2023
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
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
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
火星勘测计划的主要目标之一是在该星球上寻找过去或现在的生命证据。为了实现这一目标,火星勘测一直关注可能存在液态或冰冻水的地区。本研究利用卷积神经网络检测火星表面的 "大脑珊瑚" 地形,该地形在形态和尺度上与地球上的排序石圈相似,暗示它可能是由于冻融周期形成的。我们使用约 100-1000 兆像素的火星勘测轨道器大图像以接近每像素几十厘米的分辨率(25-50 厘米)搜索这些地形。在搜寻了 52000 多张图像(约 28 TB,占火星表面的 5%)后,在 200 多张图像中发现了这些地形。为了加快处理速度,我们在分割之前利用傅里叶域中的分类器网络(利用离散余弦变换的系数块而不是解码整个图像)利用 JPEG 压缩。这种混合流程方法在保持约 93% 的准确性的同时,总处理时间比在每个图像上以全分辨率运行分割网络削减了约 95%。及时处理大数据集有助于指导任务操作、地质调查以优先考虑候选着陆点、避开危险区域或绘制特定地形的空间范围。分割遮罩和源代码已在 Github 上提供给社区进行探索和构建。
Nov, 2023
通过进行密集珊瑚视频分割并提供 CoralVOS 数据集,我们能够比现有的珊瑚礁分析算法生成更可靠和深入的珊瑚分析,进一步促进珊瑚礁研究社区。
Oct, 2023
该研究提出了一种使用神经网络来有效模拟辐射传输模型的算法,以实现高效率、多重降速以及多重下游收益,从而加快处理时间,同时将其用于遥感技术中的海洋生态环保研究,并能够在此方面发挥重要作用。
Jun, 2019
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
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