科学家们利用成像技术研究浮游生物，WHOI-Plankton数据集包含340万张图像，支持自动分类。深度学习方法提高了浮游生物识别的准确性，并提出了新的无监督学习流程和异常检测系统。研究探讨了分类器在实际应用中的挑战，并提出改进方案，推动浮游生物研究的发展。

科学家们利用成像技术研究浮游生物，WHOI-Plankton数据集包含340万张图像用于自动分类。研究表明，自监督学习在水下机器人和声纳图像识别中，在少样本情况下的性能优于监督学习。新提出的SKI-HL框架和多标签方法在珊瑚分类中表现优越，支持全球珊瑚保育工作。

现代浮游生物高通量监测依赖于深度学习分类器对水生态系统中的物种识别。研究发现，分类器在初始数据集条件下表现良好的情况下也会遇到显著失败的例子。提出了一个三步骤的流程来解决这个问题，并提出了一个名为BEsT的模型，具有较强的模型鲁棒性和准确度。该研究为更可靠的浮游生物分类技术的发展提供了帮助。