ReefNet：用于精细珊瑚礁识别的大规模数据集与基准
计算机视觉与模式识别
2026-04-22 v3 人工智能
摘要
珊瑚礁正受到人类活动压力（如气候变化）的快速衰退，亟需可扩展且自动化的监测手段。然而，数据驱动的珊瑚分析进展受限于缺乏规模大且具有细粒度标签的数据集，这些数据集在不同场地和研究之间具有稳定的生物学分类。为填补这一空白，我们介绍ReefNet——一个规模大且公开的珊瑚礁图像数据集，包含映射至World Register of Marine Species (WoRMS) 分类学的点级标注。ReefNet汇集了来自76个精选CoralNet来源以及来自Al-Wajh (Red Sea) 的额外海域的影像，总计约92.5万个属级硬珊瑚标注。通过专家验证和针对性过滤，我们推导出92%专家一致性的高置信度基准子集，覆盖39类硬珊瑚标签，实现可靠评估。除了数据集构建之外，我们建立了包括零样本、跨域少样本适应、源内评估和跨源迁移到Al-Wajh数据集的全面基准测试。实验使用最先进的视觉-语言模型 (VLM)、多模态大语言模型 (MLLM) 和视觉单模态骨干网络，揭示在零样本和极少样本情形中性能显著下降，虽然基于域内监督的适应可带来显著提升，但在跨源迁移和长尾属方面仍存在显著差距。这些结果凸显了将通用多模态模型应用于生物多样性监测的根本挑战，强调大规模、生物分类学导向且高质量数据集的重要性。ReefNet既是基准也是推动精细珊瑚礁理解的训练资源。
引用
@article{arxiv.2510.16822,
title = {ReefNet: A Large-Scale Dataset and Benchmark for Fine-Grained Coral Reef Recognition},
author = {Abdulwahab Felemban and Yahia Battach and Faizan Farooq Khan and Yuqian Fu and Xuhui Liu and Yesmeen M. Khattab and Yousef A. Radwan and Xiang Li and Fabio Marchese and Sara Beery and Burton H. Jones and Francesca Benzoni and Mohamed Elhoseiny},
journal= {arXiv preprint arXiv:2510.16822},
year = {2026}
}