Mar, 2024

利用水下摄影测量技术进行印度 - 太平洋珊瑚状况的多标签分类的深度学习

PDF
TL;DR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。
发现论文，激发创造
  • 深度学习在珊瑚礁可扩展语义三维建模中的应用

    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

  • 珊瑚礁损害检测模型的开发与图像分类

    开发准确的分类模型以区分健康珊瑚和发生漂白的珊瑚，并使用机器学习模型，特别是卷积神经网络，识别与两者相关的视觉模式，进而监测珊瑚礁环境的变化，为珊瑚礁健康保护和生态恢复做出重要贡献。

    Aug, 2023

  • 使用 YOLO 进行自动珊瑚检测：高效准确的珊瑚礁监测的深度学习方法

    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

  • 用于水下视觉分析算法评估的真实鱼类栖息地数据集

    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

  • 基于对比学习和实际数据集的水下图像恢复

    通过构建大规模的 HICRD 数据集并提出新的基于 unsupervised image-to-image translation 框架、利用对比学习和生成式对抗网络的方法，我们的研究试图弥补基础难题导致的现有技术和算法难以对海底原始图片修复进行全面评估的空白，并在与其他方法的比较中证明了我们的方法的卓越性能。

    Jun, 2021

  • BenthIQ：一种基于 Transformer 的珊瑚恢复底栖分类模型

    Coral reefs are vital but threatened, and the paper presents BenthIQ, a transformer-based model that outperforms traditional CNN and attention-based models in the pixel-wise classification of underwater substrates, demonstrated through a case study in French Polynesia.

    Nov, 2023

  • 多物种珊瑚图像的人工辅助分割

    近期研究表明，利用先进模型如 DENOv2 特征和 K-Nearest Neighbors（KNN）技术，在极度标注稀缺的图像数据中进行点标注传播来生成多物种珊瑚增强基准真值掩膜，能够显著提高像素准确率和 mIoU 指标，在仅提供 5 个或 10 个点标签的情况下，引入人类参与标注的策略可以进一步改善标注效率，并给出了最大化点标签效能的普遍建议。

    Apr, 2024

  • CoralVOS：珊瑚视频分割数据集和基准评估

    通过进行密集珊瑚视频分割并提供 CoralVOS 数据集，我们能够比现有的珊瑚礁分析算法生成更可靠和深入的珊瑚分析，进一步促进珊瑚礁研究社区。

    Oct, 2023

  • 利用深度学习在火星上对 “脑珊瑚” 地区进行划分

    火星勘测计划的主要目标之一是在该星球上寻找过去或现在的生命证据。为了实现这一目标，火星勘测一直关注可能存在液态或冰冻水的地区。本研究利用卷积神经网络检测火星表面的 "大脑珊瑚" 地形，该地形在形态和尺度上与地球上的排序石圈相似，暗示它可能是由于冻融周期形成的。我们使用约 100-1000 兆像素的火星勘测轨道器大图像以接近每像素几十厘米的分辨率（25-50 厘米）搜索这些地形。在搜寻了 52000 多张图像（约 28 TB，占火星表面的 5%）后，在 200 多张图像中发现了这些地形。为了加快处理速度，我们在分割之前利用傅里叶域中的分类器网络（利用离散余弦变换的系数块而不是解码整个图像）利用 JPEG 压缩。这种混合流程方法在保持约 93% 的准确性的同时，总处理时间比在每个图像上以全分辨率运行分割网络削减了约 95%。及时处理大数据集有助于指导任务操作、地质调查以优先考虑候选着陆点、避开危险区域或绘制特定地形的空间范围。分割遮罩和源代码已在 Github 上提供给社区进行探索和构建。

    Nov, 2023

  • Reef-insight: 利用聚类方法和遥感技术的珊瑚礁栖息地制图框架

    本研究采用无人监督机器学习框架 Reef-insight，并结合遥感数据进行珊瑚礁生态系统管理和研究，结果表明该框架可以生成详细的礁石和地貌聚类，有助于珊瑚礁生态环境的修复项目。

    Jan, 2023