通过利用卫星数据和机器学习模型，本论文设计了专门针对合成孔径雷达（Sentinel-1）、光学影像（Sentinel-2）和夜间灯光（Suomi-NPP/NOAA-20）的计算机视觉模型，旨在实时监测海上活动，并为全球用户提供免费的实时海洋保护服务。

Dec, 2023

本文介绍了一个旨在填补从陆基视觉系统到海基系统的差距的大规模视觉目标检测和跟踪基准（SeaDronesSee），我们从各种高度和视角，提供海拔，视角和其他元数据等相关信息，收集和注释了超过 54,000 帧，包括 400,000 个实例，并在此基础上评估了多个最先进的计算机视觉算法。

May, 2021

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

通过引入小波变换卷积神经网络方法，利用 Sentinel-1 SAR-C 双极化数据获取了印度西部沿海区域海洋监视和海事监测中的船舶检测，并获得了 95.46% 的检测准确率，进而实现了对海洋船舶的自动监测和外来船只的识别。

Apr, 2023

自主导航与水下环境中的挑战，主要包括光吸收和水浑浊度等因素，传统视觉算法对声纳生成的声学图像的应用效果较差，而卷积神经网络通常需要大量的标记训练数据，这些数据通常难以获取。因此，我们提出了一种新型的紧凑型深度声纳描述符管道，它能够在仅仅用于合成数据的情况下推广到真实场景，并通过标准的临时规范化 / 预滤波技术提升输入声纳数据的质量。同时，我们还介绍了自定义的合成数据生成过程。通过对合成和公开可用的真实数据的广泛评估，证明了我们提出的方法相较于最先进的方法更加有效。

Aug, 2023

动物种群数量急剧下降，精确计数濒危物种的技术对于长期监测种群变化至关重要。本研究侧重于优化用于无人机图像的目标检测模型，以创建准确的动物物种计数。通过使用无人机拍摄的数百张图片和大量可获取的无人机图像数据集，我们将传统的 YOLOv8 架构进行了优化。我们训练了 30 个不同的模型，其中最大的模型具有 4370 万个参数和 365 个层，并利用超参数调整和数据增强技术来提高准确性。尽管最先进的 YOLOv8 基线在野生动物数据集上只有 0.7％的准确性，但我们的模型在相同数据集上达到 95％的准确性。最后，我们将模型部署在 Jetson Orin Nano 上，演示了低功耗实时物种检测，便于在无人机上进行推断。

Jun, 2024

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

本文对使用深度神经网络（DNN）进行海洋垃圾检测的问题及相关问题（如图像分类、匹配和检测建议）进行了全面评估，研究结果表明，对于评估任务，DNN 是一种优越的技术，尤其是在匹配和检测建议任务方面具有很大的优势，这对于实践者是有价值的信息。

May, 2019

本文介绍了一种名为 SimuShips 的用于海上环境的基于模拟的数据集，其中包含各种类型的障碍物，经过了多种气象和照明条件的处理，并通过边界框的形式提供了注释。同时，我们使用 YOLOv5 进行实验，并发现将真实图像与模拟图像相结合可以提高所有类别的召回率。

Sep, 2022

本文提出了使用无人机和深度学习算法进行大规模野生动物普查，并通过优化卷积神经网络的训练方法和评估协议，将假阳性率降低一个数量级，大大提高了数据筛选和自动检测的效率。

Jun, 2018