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

英国南极调查队研究人员在南极每年进行考察，以估计南极磷虾生物量并评估与前几年的变化。通过比较，我们开发了自动化的数据收集和分析工具，利用基于网络的图像注释工具和深度学习图像分类和回归模型。我们实现了高度准确的磷虾实例分割结果，平均AP得分为77.28%，并且对磷虾标本的成熟阶段和长度估计的准确性分别为62.99%和1.96毫米。

Sep, 2023

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

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

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

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

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

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

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

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