野生动物种类的自动识别与行为分析是野外生态研究和动物保护的重要技术之一。该研究利用深度卷积神经网络技术，对 320 万张“快照大草原”数据集中涵盖的 48 种动物进行识别、计数、行为描述分析，自动提取数据并有效地提高数据分析的效率。

Mar, 2017

使用人工智能技术和图像分析方法，针对罗马普通陶器碎片的分类问题，提出了一个基于深度卷积VAE网络的非线性特征聚类模型，并创建了一个罗马普通陶器数据库，为不同社区的进一步研究提供了新的思路。

Mar, 2022

使用模型编辑技术和领域知识来提高少数标记图像的化石图像分割，可以在没有额外标记数据的情况下改善不同类型化石的混淆。

Oct, 2022

本研究提出了一种集成多视图和软投票的深度学习多模型框架OGS，用于化石图像的识别和分类，实验结果表明，相对于使用单个基础模型的基线方法，OGS使用三个基础模型始终表现更好，并且通过与两位人类专家的一致性测试证明其高效性。

Feb, 2023

该研究提出了一种新的深度学习流程，将分层视觉变换器与基于风格的生成对抗网络算法相结合，可以更高效地获取和合成微古生物的高分辨率标记数据。该工作流展示了一种深度学习的可能性，优化了微古生物学研究和其他基于视觉的地质分析。

Apr, 2023

利用深度学习模型分析牙位X光片在牙齿龋齿诊断中的潜在作用和挑战。

Sep, 2023

通过使用时间索引标签及适当大小的 RF，我们设计出了适用于紧凑低成本设备的小型 CNN 模型，实现了较好的分类性能。

Dec, 2023

通过海底成像技术的发展，建立了全球的海底影像数据库BenthicNet，以用于支持大规模图像识别模型的培训和评估，初步结果表明它有助于自动化大规模和小规模的图像分析任务。

May, 2024

鱼类是生态系统和经济部门的重要组成部分，研究鱼类特征对于理解生物多样性模式和宏观进化趋势至关重要。我们引入了鱼类视觉特征分析（Fish-Vista）数据集，该数据集是一个大型注释的图像集合，包含约6万张来自1900个不同物种的鱼类图像，支持多个具有挑战性和生物学相关的任务，包括物种分类，特征识别和特征分割。Fish-Vista提供了每个图像中各种视觉特征的细粒度标签，并提供了2427张鱼类图像的9个不同特征的像素级注释，便于进行附加的特征分割和定位任务。Fish-Vista的最终目标是提供一个干净、经过精心策划的高分辨率数据集，以利用人工智能的进展加速生物学发现。最后，我们对Fish-Vista上最先进的深度学习技术进行了全面分析。

Jul, 2024

本研究解决了在历史古文书研究中，机器学习方法透明度和可解释性不足的问题。我们提出了NeuroPapyri模型，该模型通过引入注意力机制，提升了对古希腊纸卷图像的分析性能，同时提供了有助于决策的可视化图像区域。实验结果表明，NeuroPapyri在文献检索中的有效性，具有推动历史手稿分析的潜力。

Aug, 2024