本文提出了一个基于数据驱动的耀斑建模系统，以预测耀斑并优化无耀斑数据收集，为数据驱动的任务规划打下了基础，使调查员能够预先最小化耀斑并减少依赖检测函数进行鲸鱼种群估计。

Mar, 2023

本文介绍了一种基于卷积网络和混合密度网络的新方法，并使用 SDSS（DR9）中的数据进行实验，证明此方法相比之前的方法具有更好的性能，可以预测任何类型数据（例如星系、类星体、恒星）的物理参数概率密度函数，是解决基于成像数据的概率性回归问题的一种通用方法。

Jun, 2017

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

采用高斯过程回归对～LSST~ 发现的新天文现象的光变曲线进行预测，利用增强型决策树分类器实现光度学分类，降低了光谱训练集偏差对分类器的影响。

Jul, 2019

本研究应用了深度学习技术以黑虎对虾为模型生物，构建了自动化体重估算与形态测量的目标检测方法，并通过对 8,164 张黑虎对虾图像的实验评估表明，该方法的准确性、稳健性和效率均优于现有的深度学习方法。

Jul, 2023

通过减少对昂贵的标记数据的依赖，我们提出了一种新的零样本物种分类方法 WildMatch，该方法使用多模态基础模型，利用人们熟悉的术语生成摄像机陷阱图像的详细视觉描述，并将生成的描述与外部知识库中的描述进行匹配，以零样本的方式确定物种。我们还研究了构建详细动物描述生成的指导调优数据集的技术，并提出了一种新的知识增强技术来提高描述质量。我们在哥伦比亚 Magdalena Medio 地区的一个新的摄像机陷阱数据集上展示了 WildMatch 的性能。

Nov, 2023

该论文提出了一种适用于分布式视觉语言预训练的简单方法，并在具有挑战性的 iNaturalist-2021 数据集上实现了零样本分类精度，从而打开了在涉及物种检测的农业相关应用中利用高质量视觉 - 语言预训练模型的新途径。

Feb, 2023

本研究使用卷积神经网络（CNN）对斯隆数字天空调查中的类星体进行分类和检测，以及预测类星体的光度红移，并结合随机森林分类器提高准确性，相较于其他分类器表现显著提高，在未来的大数据库例如大型巡天望远镜中具有很好的应用前景。

Dec, 2017

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

通过多传感器、基于人工智能的数据融合方法，本文提出了一种低成本配置的昆虫分类系统，可用于系统性监测昆虫种群、支持生物多样性与农业研究。

Apr, 2024