YOLO 算法在水下环境中的应用存在限制，本文从海洋工程应用的实际需求出发，以水下结构健康监测和水下生物检测为例，提出了改进的水下 YOLO 算法应用方法，并指出了仍然存在的问题。

Sep, 2023

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。

Mar, 2024

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

本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

May, 2022

该研究使用现有的水下数据集 Brackish-Dataset，评估了多种目标检测模型（包括 EfficientDet，YOLOv5 等）在含盐度高、可见度低的自然复杂环境下的效果，其中，通过修改 EfficientDet 的机制，实现了对抗性干扰下高 Iou 的复杂特征融合，并提供了针对模型黑盒性的类激活映射解释。研究结果表明，修改后的 EfficientDet 在五倍交叉验证下，比其他模型表现更好，具有更高的 IoU。

May, 2023

20 年来，深度学习技术一直在海洋垃圾问题中得到探索，并且在过去的 5 年中取得了快速发展。该研究提供了 28 项最近和最重要的关于深度学习在海洋垃圾识别中的贡献的全面、最新的总结和分析。交叉引用研究结果表明，YOLO 系列方法在目标检测方面明显优于其他方法，但是有很多受认可的贡献明确表示目前没有可用于机器学习的全面的水下垃圾数据库。我们使用我们自己策划和标记的小型数据集，在二元分类任务上测试了 YOLOv5，发现准确率较低，假阳性率较高，凸显了建立全面数据库的重要性。最后，我们提出了 40 多项未来研究建议和开放性挑战。

Mar, 2024

本文论述了如何通过使用深度学习方法对相机陷阱图像进行自动化数据分析，演示了以 Faster R-CNN 和 YOLO v2.0 作为分类器识别、量化和定位相机陷阱图像中的物种，进而应用于生态研究。结果显示 Faster R-CNN 的分类准确率高达 93.0％，取得了很好的效果。

Mar, 2018

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

该研究提出了一种新的框架，将两种不同的卷积神经网络结构相结合，以在模拟环境中同时完成作物检测和收获（机器人操控）任务。利用机器视觉实现作物自动识别，提高收获效率，但仍面临挑战。通过随机旋转、裁剪、亮度和对比度调整来生成增强图像以进行数据集生成。使用一次性算法框架进行作物定位，以及使用视觉几何组模型来确定机器人操控的抓取位置。

Jan, 2024

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