利用点标签检测卢克鲁 whale
摘要
非常高分辨率（VHR）卫星图像已成为大规模监测海洋动物的强大工具。然而，现有的深度学习基于 whale 检测方法通常需要手动创建的高质量边界框标注，这些标注在生产上具有较高的劳动强度。此外，现有研究常常排除“不确定的 whale”，即在卫星图像中呈现模糊外观的个体，这限制了这些模型在现实场景中的适用性。为解决这些限制，本研究引入了一个用于检测 VHR 卫星图像中卢克鲁 whale 和 harp seal 的自动化管道。该管道利用点标注和 Segment Anything Model（SAM）生成精确的边界框标注，用于训练 YOLOv8 实现 certain whale、uncertain whale 和 harp seal 的多类检测。实验结果表明，SAM 生成的标注显著提高了检测性能，F 分数优于传统基于缓冲区的标注。使用 SAM 标记的边界框训练的 YOLOv8 在 whale 整体上实现了 72.2% 的 F 分数，对 harp seal 实现了 70.3% 的 F 分数，在密集场景中表现优异。该方法不仅减少了标注所需的手动工作量，还增强了对不确定 whale 的检测，为 marine animal 监测提供了更全面的解决方案。该方法的潜力在于扩展到其他物种、栖息地和遥感平台，以及用于估计 whale 生物力学，从而推动生态监测和保护。我们的代码管道已在 http://github.com/voyagerxvoyagerx/beluga-seeker 上公开。
引用
@article{arxiv.2505.12066,
title = {Beluga Whale Detection from Satellite Imagery with Point Labels},
author = {Yijie Zheng and Jinxuan Yang and Yu Chen and Yaxuan Wang and Yihang Lu and Guoqing Li},
journal= {arXiv preprint arXiv:2505.12066},
year = {2025}
}
备注
Accepted for oral presentation at IGARSS 2025. Session at https://www.2025.ieeeigarss.org/view_paper.php?PaperNum=2430&SessionID=1426