SeagrassFinder：用于野外海草检测与覆盖估计的深度学习方法
计算机视觉与模式识别
2025-05-16 v2
摘要
海草床在海洋生态系统中发挥着关键作用，提供碳捕获、水质改善和栖息地提供等多种好处。监测海草的分布与丰度对于环境影响评估和保育工作至关重要。然而，当前通过人工分析水下视频数据来评估海草覆盖的现有方法耗时且主观。本文探索了使用深度学习模型自动化从水下视频数据中进行海草检测和覆盖估计的方法。我们创建了一个包含超过8300个标注水下图像的新数据集，并随后对多种深度学习架构进行评估，包括ResNet、InceptionNetV3、DenseNet和Vision Transformer，这些模型通过迁移学习在海草存在与否的二分类任务中表现良好。结果表明，深度学习模型，特别是Vision Transformer，能够在最终测试数据集上实现接近0.95的AUROC分数。进一步应用水下图像增强可提高模型的预测能力。此外，我们提出了一种新颖的估计方法，用于从视频数据中估算海草覆盖率，初步结果表明其与专家手动标签一致，表明具有一致且可扩展的监测潜力。该方法论允许高效处理大量视频数据，从而实现对海草分布获取更详尽的信息，与当前的人工方法相比。对于环境影响评估和监测项目至关重要，因为海草是海岸生态系统健康的重要指标。这一项目表明，深度学习为海洋生态学和环境监测领域带来的价值。
引用
@article{arxiv.2412.16147,
title = {SeagrassFinder: Deep Learning for Eelgrass Detection and Coverage Estimation in the Wild},
author = {Jannik Elsäßer and Laura Weihl and Veronika Cheplygina and Lisbeth Tangaa Nielsen},
journal= {arXiv preprint arXiv:2412.16147},
year = {2025}
}