面向细粒度浮游生物识别的自监督预训练
计算机视觉与模式识别
2025-05-12 v2
摘要
由于浮游生物在海洋食物网和碳捕获中的关键作用，凸显了物种层面监测的需求，浮游生物识别成为一个重要的计算机视觉问题。然而，由于其细粒度特性以及由不同成像仪器和不断变化的物种分布引起的数据集偏移，该任务极具挑战性。随着新浮游生物图像数据集的收集速度不断加快，需要仅需极少专家标注努力的通用浮游生物识别模型。在本工作中，我们研究面向细粒度浮游生物识别的大规模自监督预训练。我们首先采用掩码自编码和大量多样化的浮游生物图像数据，预训练一个通用浮游生物图像编码器。然后，我们利用微调技术，在标注训练图像数量非常有限的情况下，为新数据集获取准确的浮游生物识别模型。我们的实验表明，当训练数据量有限时，与标准 ImageNet 预训练相比，使用多样化浮游生物数据的自监督预训练能显著提高浮游生物识别准确率。此外，当在预训练期间获取并利用无标签目标数据时，准确率可进一步提高。
引用
@article{arxiv.2503.11341,
title = {Self-Supervised Pretraining for Fine-Grained Plankton Recognition},
author = {Joona Kareinen and Tuomas Eerola and Kaisa Kraft and Lasse Lensu and Sanna Suikkanen and Heikki Kälviäinen},
journal= {arXiv preprint arXiv:2503.11341},
year = {2025}
}
备注
CVPR 2025, FGVC12 workshop paper