FishNet：用于低成本鱼类存量估计的深度神经网络
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
研究针对海洋资源的保护和可持续渔业发展，提出了一种使用先进机器学习技术进行鱼类分类的轻量级分类器模型以及鱼类的可食用性判断。模型使用修改版的 MobileNet 模型对印度尼西亚群岛海域的鱼类图像进行分类，并在有限的硬件上实现了高达 97% 的准确度，为渔船上的实时鱼类分类提供了实际解决方案，并可提供有关不同鱼类种类的移动和位置的宝贵信息。
Jan, 2024
本文介绍了一种名为 FishNet 的卷积神经网络，它保留并精细地运用各种分辨率的信息，能够更好地解决卷积神经网络中深层和浅层之间的梯度信息传播问题，在 ImageNet-1k 和 COCO Detection 竞赛中具有卓越的性能表现。
Jan, 2019
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
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
本文提出了一种基于机器人的海水养殖网箱自动损伤检测系统，用于在 ROV 处理过程中和实时检测中检测网的损伤部分，该系统通过 ROV 的载体摄像机获取视频流，采用深度学习检测器，在不同水下条件下将图像的有缺陷部分与背景进行分割，该方法经过测试后表明其高准确性即使在逆境情况下，并且适用于嵌入式平台的实时处理。
Aug, 2023
该研究提出了一种基于视觉的方法，利用 2D 图像来估计食物重量，采用深度学习和计算机视觉技术，使用 Faster R-CNN 进行食物检测和 MobileNetV3 进行重量估计，该方法在提供准确食物重量估计方面表现出强大的能力，并可用于医疗保健、健身和智能食物存储等领域。
May, 2024
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
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