朝鲜大学研究人员介绍了一种精确定位褪色珊瑚的机器学习框架，使用混合视觉特征分类
韩国大学研究团队推出精准定位褪色珊瑚的机器学习框架，集混合视觉特征分类于一体
地球上被认为是最多样化的海洋环境是珊瑚礁。珊瑚礁可找到超过4,000种鱼类，是约25%的海洋生物的家园。在珊瑚中，水下寄生藻类或称为褐虫藻产生被称为珊瑚礁的钙化结构。当水温升高并且藻类从珊瑚的组织中逃逸时，珊瑚礁会变白。珊瑚礁变白与几个环境和经济问题有关。由于极高的夏季海表面温度（SST），全球变暖是变白的主要原因。2016年，澳大利亚的大堡礁发生的珊瑚变白事件导致29-50%的珊瑚死亡。
此外，变白每天提高了世界海洋中的二氧化碳水平，使环境变得更酸性，并且使其他珊瑚和海洋生物形成骨骼更加困难。珊瑚礁是各种海洋生物的家园，并含有许多可治疗世界上最严重疾病的药物物质。监测和调查海洋生态学对减轻气候变化的后果很有必要。由于水下图像中的伪影和环境噪声，计算机视觉系统在区分前景目标物和背景之间面临挑战。因此，已经开发了改善水下图像的技术。
通过首先将照片转换为HSI模型，然后扩展图像的饱和度和亮度分量，集成颜色模型（ICM）和无监督颜色校正方法（UCM）可改善对比度。正在研究人工智能（AI）的研究人员希望创建一种可靠且计算高效的方法来定位变白的珊瑚礁。然而，照明，大小，方向，透视，遮挡和背景混杂引起了定位模型性能的降低。相机的深度，支架的位置以及监视区域中波动的光源负责对象的尺度、透视和照明的变化。
- “见面吧，Tarsier：一个开源的Python库，可实现与多模式LLMs（如GPT4）的Web交互”
- 在混乱的环境中使用线索思维提示和平行知识图检索实现有结构的推理的LLMs
- 范德比尔特大学和加州大学戴维斯分校的研究人员介绍了PRANC：一种在学习和重建阶段都具有内存高效的深度学习框架
此项目的崇尚者来自朝鲜大学，旨在创建在海洋环境照片中承受几何和视觉变化的深度学习和手工特征提取方法。外观特征包括物体的纹理和颜色细节，几何特征主要依赖于形成图像内物体形状的曲线和边缘的局部分布。照明，大小，方向，透视，遮挡和背景混杂影响外观特征和几何特征。在大多数分类工作中，手工特征提取器被深度神经网络（DNN）模型所取代。
由于其领域独立性和广泛的数据集训练，深度神经网络（DNN）如ResNet、DenseNet、VGGNet和Inceptions模型在各种应用中取得了无与伦比的性能。由于当前数据集中变白的示例较少，DNN过度拟合，从而影响特征的鲁棒性和唯一性。但是，手工特征的鲁棒性和唯一性与训练数据的强度无关。然而，手工特征的不变性受深度、水下光和水浑浊度的变化影响，即使有噪声的鲁棒性。该项目旨在创建一种在珊瑚照片的几何和光变化中具有抵抗力的不变特征提取模型。
建议的框架使用混合手工和DNN技术提取原始特征，然后使用BoF减少并引入更多的不变性以提高分类准确性。建议模型使用图片的局部特征而不是全局特征来提高光变不变性。此外，建议的架构使用了词袋特征，降低了原始混合特征向量的维度，降低了复杂性和存储需求。经过多次试验，已确定了理想的补丁大小、聚类大小、内核组合和分类器。
