通过综述现有方案，本文讨论了浮游生物自动识别中最大的挑战，并提出新数据集中面临的难点以及解决方案，并指出仍存在的几大问题，如不同数据集之间的领域转移、未曾见过的类别的图像处理难度和专家注释的不确定性，这需要加以解决。

May, 2023

本文介绍了一种基于自编码器的无监督异常检测系统，可应用于检测可能对浮游植物寄生或感染的异常现象，并与基于 Faster R-CNN 的有监督方法进行比较。该无监督方法具有更广泛的适用性，不需要注释的异常数据，并在 9 种浮游植物物种中达到 0.75 的 F1 得分。

Mar, 2023

科学家们越来越多地使用基于成像的技术研究浮游生物，而 WHOI-Plankton 是一个大规模、细粒度的可视化识别数据集，包括了 70 类超过 340 万张的专家标记图像，用于通过传统方法和两种基于卷积神经网络的方法来进行自动分类，并讨论了相关的分类性能评估指标和结果。

Oct, 2015

本研究使用机器学习和深度学习技术，通过对孟加拉湾的物理化学特征建立叶绿素水平的回归模型，并讨论其可靠性和性能，用以预测水体中的叶绿素含量，以便在海洋浮游植物失衡的情况下提前进行计划，从而避免生态系统的破坏。

Apr, 2023

本文提出了一种高效的无监督学习流程来提供准确的浮游生物分类，并比较其与现有技术，在所有数据集中性能更好，提供更好的图像嵌入特性。

Sep, 2022

深度学习方法在浮游生态学中的实施带来了新的视角，提供了一种客观的方案来研究不同环境中的浮游生物。它们包括图像的检测和分类、觅食和游泳行为分析以及生态模拟。深度学习有潜力加速分析并减少人类实验偏差，从而在具有改进可重复性的相关时间和空间尺度上支持数据获取。我们还讨论了其不足，并展示了深度学习架构如何发展来减少不精确的结果。最后，我们提出了深度学习特别可能促进浮游生物研究的机会，并提供了详细的教程和代码样本，使读者能够将本综述中描述的方法应用于自己的数据。

Sep, 2023

浮游生物识别和域适应方法在不同成像仪器之间产生领域偏移，本研究提出了一个新的域适应数据集（DAPlankton）和三种常用域适应方法的基准比较。

Feb, 2024

通过深度学习和算法的融合，我们提出了一种用于物体追踪的混合模型 (PhyOT)，该模型将深度神经网络视为卡尔曼滤波器中的 “传感器”，利用牛顿运动定律的先验知识来融合传感器观测并进行改进的估计。实验结果表明，我们的 PhyOT 在极端条件下可以追踪物体，而在一般情况下与现有的深度学习方法相比性能不降低。还有研究结果表明，我们的 PhyOT 组件具有泛化和可转移性。

Dec, 2023

本研究提出了一种用于在线监测海上活动的系统，能够追踪船舶轨迹并识别应急情况，有效应用于海上实时监控。

Jan, 2016

该论文提出了一种基于现有观测中心跟踪算法的新型多目标跟踪方法，采用新的迭代关联步骤大大提高了对具有均匀外观的目标的跟踪性能。

Apr, 2023