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

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

该研究提出了一种名为FishMOT的新型鱼类多目标跟踪方法，该方法将目标检测技术与IoU匹配算法相结合，实现了高效、精确和稳健的鱼类检测和跟踪，显著减少了计算时间和存储空间。实验结果表明，该方法在各种评估指标上优于其他方法，速度更快，内存需求更低。

Sep, 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

自20世纪90年代以来，水产养殖生产迅速增长，但稀缺的、自我报告的和汇总的生产数据限制了对该行业趋势和潜在风险的有效理解和监测。本研究基于水产养殖生产的手动调查，利用计算机视觉模型从航空和卫星图像中识别海洋养殖笼，生成了法国地中海2000年至2021年的鱼类养殖地点的空间明确数据集，其中包括4,010个笼子（笼子平均面积为69平方米）。我们证明了我们的方法的价值，作为一种易于适应、经济高效的方法，可以提高水产养殖调查的速度和可靠性，并可用于研究人员和监管机构进行下游分析。我们使用该方法计算独立估计的生产量，并发展了一个灵活的框架来量化估计中的不确定性。总体而言，我们的研究提出了一种高效、可扩展和高度适应的从遥感图像监测水产养殖生产的方法。

Jun, 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

本研究解决了水产养殖中鱼苗计数这一耗时且具挑战性的问题。我们评估了四种神经网络架构，并引入了一种新标注的图像数据集，其数据收集需求低于以往工作。通过图像切片技术，使用超大型实时检测变换器技术获得了4.46%的平均绝对百分比误差，显示出该方法的高效性和潜在影响。

Aug, 2024

本研究旨在解决水生环境中集体动物行为研究中的难题，通过组织2024年鱼类跟踪挑战赛，鼓励开发能够同时追踪10条甜鱼位置的先进模型。研究介绍了比赛的背景、目标和甜鱼数据集，并展示了获胜者的多种创新方法，推动了自动检测与跟踪算法的发展，对水生动物运动的动态理解有重要意义。

Aug, 2024

本研究解决了传统鱼类养殖中饲喂效率低下及其导致的环境问题。通过结合计算机视觉和物联网技术，我们开发了一种创新系统，实现了对非洲鲫鱼的精确饲喂，显著提升了生产效率，预计比传统养殖方式生产提高58倍。该方法的开源模型和数据集为未来研究提供了基础。

Sep, 2024