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

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

提出了一种基于计算机视觉的自动化鱼类数量评估系统，该系统能够通过低成本数字相机拍摄的图像进行鱼类分类和尺寸估计，训练模型在手动标注的 50000 张图像数据集上训练，实现了鱼类分割、物种分类和长度估计任务的高精度。

Mar, 2024

本研究提出了一种基于对比学习的模型，将物理标记技术替换为图像分析进行个体鉴定，其在对 Symphodus melops 的照片进行处理后，取得了较高的准确率。

Jan, 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

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

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

提供了一个名为 3D-ZeF 的新型可公开获取的基于立体视觉的 3D RGB 数据集用于多物体斑马鱼跟踪，该数据集包含了斑马鱼在行为分析中被经常使用于研究的神经学疾病、药物成瘾等方面的八个序列以及一个基于自由移动的斑马鱼数量介于 1-10 之间的视频，此外还提供了一个用于 3D 跟踪斑马鱼的模块化基线系统。

Jun, 2020

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

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