基于水下摄影测量法的印度 - 太平洋珊瑚状况多标签分类深度学习研究
计算机视觉与模式识别
2025-12-18 v2
摘要
由于珊瑚礁生态系统面临人类活动和气候变化的威胁，全球范围内实施了珊瑚保护计划。监测珊瑚健康状况为指导保护活动提供了参考。然而，当前劳动密集型的方法导致未分类图像积压，凸显了对自动分类的需求。很少有研究同时利用精确标注以及更新的算法和数据集。本研究旨在创建一个代表印度 - 太平洋地区常见珊瑚状况及相关胁迫因子的数据集。同时，它评估了现有的分类算法，并提出了一种新的多标签方法，用于自动检测珊瑚状况并提取生态信息。基于实地调查，构建了一个包含超过 20,000 张不同健康状况和胁迫因子的高分辨率珊瑚图像的数据集。在该数据集上测试了七种代表性的深度学习架构，并使用 F1 指标和匹配率对其性能进行了定量评估。基于此评估，提出了一种利用集成学习方法的新方法。所提出的方法准确地将珊瑚状况分类为健康、受损、死亡和碎石；它还识别了相应的胁迫因子，包括竞争、疾病、捕食和物理问题。该方法有助于开发珊瑚图像档案，指导保护活动，并为礁石管理者和保护主义者提供决策参考。所提出的集成学习方法在数据集上优于其他方法，显示出最先进（SOTA）的性能。未来的研究应提高其泛化能力和准确性，以支持全球珊瑚保护工作。
引用
@article{arxiv.2403.05930,
title = {Deep learning for multi-label classification of coral conditions in the Indo-Pacific via underwater photogrammetry},
author = {Xinlei Shao and Hongruixuan Chen and Kirsty Magson and Jiaqi Wang and Jian Song and Jundong Chen and Jun Sasaki},
journal= {arXiv preprint arXiv:2403.05930},
year = {2025}
}