AI框架将海洋物种标注工作量减少90%

研究人员开发了一个决策框架，用于指导使用自动化图像分析进行可靠海洋物种识别所需的努力。该框架表明，使用像DINOv2这样的冻结的自监督基础模型和简单的线性分类器，与大型、完全微调的模型相比，所需的标注工作量显著减少——每个物种只需10-20张图像。这种方法在从热带珊瑚礁到温带峡湾的各种海洋栖息地中都证明是有效的，将标注工作量减少了一个数量级，并能够用最少量的训练数据在新地点进行可靠识别。 AI

影响 降低了部署人工智能驱动的生态监测系统的成本和时间，从而在保护和研究领域实现更广泛的应用。

排序理由 学术论文，详细介绍了一个用于计算机视觉模型适应的新框架和基准。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• Danish fjord
• DINOv2
• EfficientNet-B4
• French Polynesia
• Great Barrier Reef
• Lora
• ResNet-50
• Visual Prompt Tuning

• 论文
• 产品
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →