海洋生物监测：自动化技术的突破与挑战

### 海洋生物监测：自动化技术的突破与挑战 #### 太平洋护士鲨自动化研究 在研究太平洋护士鲨（Ginglymostoma unami）时，新技术的应用极大地提高了研究效率。研究人员开发了一套全新的管道，利用空中无人机图像进行研究。他们对多种先进的目标检测模型，如YOLOv8、Faster R - CNN和DETR进行了基准测试，结果显示DETR表现最佳，其数据处理速度比手动注释方法快91%。这一成果基于近岸鲨鱼空中无人机图像的大型数据集，也是首次使用DETR进行鲨鱼检测的研究。 在生物特征测量方面，研究人员将自己的方法与手动测量鲨鱼长度进行了对比。他们从保留视频中随机选取了122张包含鲨鱼的照片，以误差百分比和变异系数（CV）为基准进行评估。当使用YOLOv8预测的边界框来提示预训练的SAM模型时，SAM在71%的照片（87张）中成功生成了正确的分割，而在29%的照片（35张）中失败。成功分割的手动排序标准是，鲨鱼在分割掩码中关于其真实中心线对称包含，并且掩码中没有错误的包含（如阴影、水面眩光）或排除（如尾巴尖、单个胸鳍）。 对于SAM成功分割的图像，所有长度测量的CV均小于8%，自动和手动长度测量之间的平均CV为2.71%（n = 87，中位数 = 2.70%，标准差 = 1.54%，最大值 = 5.55%）。长度测量的误差百分比小于12%，手动和自动测量之间的平均误差百分比为5.54%（n = 87，中位数 = 5.56%，标准差 = 1.54%，最大值 = 11.76%）。与真实边界框相比，性能仅有轻微下降，这表明精确的边界框预测对于从SAM获得准确分割并非必要。平均而言，自动测量长度高估了2.47厘米（n = 87，中位数 = 2.79厘米，标准差 = 3.91厘米，最小值 = - 8.48厘米，最大值 = 7.69厘米）。手动长度推导的质量估计和自动长度推导的质量估计之间的平均误差百分比为11.85%（n = 87，中位数 = 11.81%，标准差 = 6.97%，最大值 = 26.09%），质量估计的平均CV为5.64%（n = 87，中位数 = 5.63%，标准差 = 3.20%，最大值 = 11.54%）。同样，手动长度推导的年龄估计和自动长度推导的年龄估计之间的平均误差百分比为9.23%（n = 87，中位数 = 9.45%，标准差 = 5.36%，最大值 = 19.91%），年龄估计的平均CV为4.45%（n = 87，中位数 = 4.51%，标准差 = 2.53%，最大值 = 9.05%）。 为了比较鲨鱼探测器与非专家人类的准确性和速度，研究人员从保留视频数据集中随机抽取了100个样本，正负样本比例均衡。在向参与者展示正负样本示例以及CVAT标注工作流程的基础知识后，参与者对这100个样本进行了标注。结果显示，人类在该数据集