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

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

本研究探讨了三种自监督学习方法（RotNet，去噪自编码器和Jigsaw）在水下机器人领域中，能否在无需大型标记数据集的情况下学习高质量的声纳图像表示，并提出了预训练和迁移学习的结果。结果表明，三种方法的自监督预训练可在少数样本迁移学习设置中实现与有监督预训练相当的分类性能。

Apr, 2022

本文针对当前深度学习方法在计算机视觉和遥感专业任务中应用普及的情况，讨论了解决办法。结合地理位置信息，提出利用不标注数据进行自我监督预训练，探讨了联合嵌入方法在多种遥感图像模态下的应用，最终在甲烷源分类任务上获得良好的性能。

Jun, 2023

这项研究探讨了自监督学习（SSL）在合成孔径声纳（SAS）图像识别改进中的应用，结果表明，尽管两个SSL模型在少样本情况下可以优于完全监督模型，但在使用全部标签时不能超过其性能，这有助于减少数据标记的时间和成本，同时提供了远程感知中使用SSL的证据。

Jul, 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

提出了一种新颖的基于空间知识的分层学习（SKI-HL）框架，该框架采用多分辨率层次结构迭代地推断样本标签，并在具有不确定性感知的多实例学习中训练神经网络参数。实验证明，该模型在真实世界的洪水图像数据集上优于几种基准方法。

Dec, 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