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

本文提出了一种基于深度学习的模型，用于对高分辨率卫星图像中的阿德利企鹅群落进行语义分割，并说明了如何将弱标签用于弱监督学习中以提高分割性能。

May, 2019

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

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

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

野生动物种类的自动识别与行为分析是野外生态研究和动物保护的重要技术之一。该研究利用深度卷积神经网络技术，对 320 万张 “快照大草原” 数据集中涵盖的 48 种动物进行识别、计数、行为描述分析，自动提取数据并有效地提高数据分析的效率。

Mar, 2017

本文介绍了一种基于深度学习技术的无人机航拍水鸟监测的方法，通过使用卷积神经网络对象检测器检测 16 种常见的殖民性海鸟物种，并成功地监测海鸟数量，将有助于评估生态系统健康状况和制定保护管理决策。

Oct, 2022

采用事件相机记录放置在南极的繁殖企鹅群中的数据，使用计算机视觉方法进行行为量化，通过时间动作检测任务确定行为的起始和结束时间，证明事件相机在野生动物观察中的低功耗特性以及对各种光照条件的鲁棒性，为开展新的跨学科研究提供了契机。

Dec, 2023

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

本研究使用计算机视觉领域的深度学习技术，包括目标检测、跟踪、分割和边缘检测，尝试解决动物进入人类居住区的自动检测问题。该研究提出了一种半自动的合成数据生成方法，以训练在真实环境下进行部署的模型。实证结果表明，检测器无法从动物在其自然栖息地的训练图像中推广到人造环境的部署场景。本研究提供了用于进一步研究的代码和数据。

Oct, 2019