本文提出了一种基于 MobileNetV2 模型的优化方法，通过特定数据集的创建和海洋物种图像的增强等指南，实现了 99.83% 的平均验证准确率；该迁移学习算法可成功部署在渔业现场应用于海洋物种分类。

Apr, 2023

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

研究使用混合模型来提高鱼类资源参数估计和预测的准确性，通过结合经典统计模型和监督机器学习模型，特别是梯度提升树模型，实现针对全球变暖和其他人为压力导致变化的生态系统中相关参数的后续校正和提升准确性。在实验中，对五种不同鱼类资源进行研究发现，绝大多数情况下招募和生成股源生物量的预测准确性有了显著的提高。

Aug, 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

该研究文章展示了数据驱动决策支持在水产养殖中的强大作用，承诺满足日益增长的对海鲜的需求，同时强调环境责任与经济可行性，从而彻底改变未来的养鱼方式。

Nov, 2023

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

在环境可持续性领域，保护昆虫的数量和多样性是我们社会最重要的目标之一。本研究提出了一种图像方法作为多传感器系统的一部分，该系统是适应传统捕捉器类型的低成本、可扩展、开源系统。研究结果证明，重新训练后的标准 CNN 架构（如 ResNet50 和 MobileNet）在昆虫分类预测任务中表现非常出色，达到了超过 96％的分类准确率。此外，证明了昆虫图像裁剪对于具有高间类相似性的物种分类是必要的。

Apr, 2024

利用航拍图像和计算机视觉技术，本研究介绍了一种远程垃圾调查框架，通过 Grounding DINO 和 CLIP 实现零样本的垃圾检测和分类，并使用 Scale-Invariant Feature Transform 进行重复匹配，旨在支持高效可持续的社区清洁项目。

May, 2024

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