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

本文介绍了Caltech鱼类计数数据集（CFC），它是一种大规模的数据集，用于检测、跟踪和计数声纳视频中的鱼类。该数据集为低信噪比计算机视觉应用程序提供了丰富的数据来源，并且比现有的大多数计数数据集来源更自然。我们使用基线实验来评估MOT和计数中的泛化表现，并确定了进一步发展状态的关键挑战和机遇。

Jul, 2022

本文探讨了如何通过卷积神经网络、注意力机制等深度学习方法来对钓鱼装备周围低能见度环境下的驱鱼行为进行自动分类，并比较了三种不同网络模型在分类精度上的表现。同时，文章也指出了在进行科学数据自动评估时，实验设计的重要性以及训练模型检查的实用性。

Mar, 2023

利用深度学习技术实现动物自动计数，实验表明，UNet模型应用高斯密度图训练，以达到快速高效计数目的，特别适用于复杂背景下的航空图像中非洲象和海豚的计数任务，减少了人类对野生动物的干扰，为野生动物保护与和谐相处提供了有效的技术手段。

Jun, 2023

使用深度学习方法提高浮标检测和管理的准确性和鲁棒性，通过使用源自新西兰贻贝养殖场的多样化数据集和迁移学习技术，研究表明深度学习通过提高鲁棒性能和跨多样的天气条件进行浮标检测的实际有效性。

Aug, 2023

基于深度学习的人群计数方法采用各种深度神经网络和各向异性高斯核（Anisotropic Gaussian Kernel）来准确计算区域内海牛的数量，尤其适用于复杂背景环境下聚集的海牛。

Nov, 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

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

通过生成对抗网络和图像协调方法，该研究已创建了一个大规模的比目鱼疾病图像数据库，并提出了一种有效的疾病检测框架，从而实现了基于所提出的方法和数据集的养殖环境下的自动疾病监测。

Jul, 2024