可持续海洋管理的轻量级鱼类分类模型：印尼案例
内容提要
该文综述深度学习在海洋与生态监测中的应用：MobileNetV2实现99.83%的海洋物种分类准确率；混合模型提升鱼类资源预测精度；DeepFish与Fishnet提供大规模图像数据集，支持鱼类检测与分类；深度神经网络有效用于海洋垃圾检测；单阶段框架改善类不平衡的饮食分类；MobileNetV2在鸟类声学识别中表现优异；UNet实现野生动物自动计数；改进EfficientDet在复杂水下环境目标检测中取得更高IoU。
延伸解读
轻量模型在渔业现场部署的可行性
文章指出，基于 MobileNetV2 的迁移学习算法在海洋物种图像分类上达到 99.83% 的平均验证准确率，并可部署在渔业现场。这提示轻量级模型在资源受限的现场环境中具有实际应用潜力，但需注意该准确率基于特定数据集和图像增强指南，实际部署效果可能受现场图像质量、物种分布差异等因素影响。
混合模型提升资源预测的实践意义
研究将经典统计模型与梯度提升树等监督机器学习模型结合，用于鱼类资源参数估计和预测。实验对五种鱼类资源进行，绝大多数情况下招募和生成股源生物量的预测准确性显著提高。这表明在气候变化和人为压力导致生态系统变化的背景下，混合建模有助于校正和提升预测精度，为渔业管理提供更可靠的决策依据。
大规模数据集推动水下视觉监测
DeepFish 数据集包含约 40,000 张图像，覆盖 20 个热带海洋栖息地，并提供点级别和分割标签；Fishnet 开源数据集包含 86,029 张图像、34 种物体类别，支持电子监控系统中的鱼类检测与精细分类。这些数据集为自动监测鱼类数量、位置和大小提供了基准，有助于激励水下计算机视觉领域的进一步发展。
复杂环境下的检测与解释性挑战
在含盐度高、可见度低的 Brackish-Dataset 上，修改后的 EfficientDet 通过对抗性干扰下的复杂特征融合，在五倍交叉验证下取得比其他模型更高的 IoU，并提供类激活映射解释黑盒性。同时，深度神经网络在海洋垃圾检测的匹配和检测建议任务中表现优越。这说明针对复杂水下环境的模型改进和可解释性增强是提升实用性的关键方向。
Q&A
MobileNetV2在海洋物种分类上的准确率有多高？
基于MobileNetV2的优化方法在海洋物种图像分类任务上实现了99.83%的平均验证准确率，并且该迁移学习算法可成功部署在渔业现场用于海洋物种分类。
DeepFish数据集包含哪些内容，能用于什么任务？
DeepFish是一个大规模数据集，包含约40,000张图像，覆盖20个热带海洋环境的鱼类栖息地，并收集了点级别和分割标签。它可用于鱼类数量的自动监测、位置标识和大小估计，并作为水下计算机视觉任务的测试基准。
如何提高鱼类资源参数估计和预测的准确性？
研究采用混合模型，结合经典统计模型和监督机器学习模型（特别是梯度提升树模型），对全球变暖和其他人为压力导致变化的生态系统中的相关参数进行后续校正和提升准确性。实验对五种鱼类资源研究发现，绝大多数情况下招募和生成股源生物量的预测准确性有显著提高。
深度神经网络在海洋垃圾检测中表现如何？
研究对使用深度神经网络（DNN）进行海洋垃圾检测及相关问题（如图像分类、匹配和检测建议）进行了全面评估，结果表明DNN是一种优越的技术，尤其在匹配和检测建议任务方面具有很大优势，对实践者是有价值的信息。
在复杂水下环境中，哪种目标检测模型表现更好？
研究使用Brackish-Dataset评估了多种目标检测模型（包括EfficientDet、YOLOv5等）在含盐度高、可见度低的自然复杂环境下的效果。通过修改EfficientDet的机制，实现了对抗性干扰下高IoU的复杂特征融合，并提供了类激活映射解释。结果表明，修改后的EfficientDet在五倍交叉验证下比其他模型表现更好，具有更高的IoU。
UNet模型如何用于野生动物自动计数？
利用深度学习技术实现动物自动计数，实验表明UNet模型应用高斯密度图训练，能达到快速高效计数目的，特别适用于复杂背景下的航空图像中非洲象和海豚的计数任务，减少了人类对野生动物的干扰，为野生动物保护提供了有效技术手段。
