需要多少標籤？跨棲息地海洋物種識別的決策框架
該研究提出了一個決策框架，量化了在跨海洋棲息地遷移視覺系統時標註工作量與識別準確率之間的權衡。基準測試涵蓋五個數據集、三大洋和三個分類羣（魚類、珊瑚、無脊椎動物）。研究發現，使用凍結的自監督基礎模型（DINOv2）結合線性分類器，每個物種僅需10-20張標註圖像即可在新站點實現可靠識別，將標註工作量減少約一個數量級。
自動圖像識別技術正越來越多地被用於擴展生態監測的規模，但生態學家們一直缺乏基於證據的指導，以瞭解在新站點部署可靠識別系統究竟需要多少標註工作。一項由Alzayat Saleh等人開展的新研究提出了一個決策框架，系統量化了在跨海洋棲息地遷移視覺系統時，標註工作量與識別準確率之間的權衡關係。
該研究的基準測試涵蓋了五個數據集、三大洋和三個分類羣（魚類、珊瑚和無脊椎動物），地域範圍從澳大利亞大堡礁和法屬波利尼西亞的熱帶珊瑚礁，一直延伸到丹麥温帶峽灣的冷水域。研究人員評估了四種識別模型（DINOv2、CLIP、ResNet-50和EfficientNet-B4）在四種適應策略（線性探測、LoRA、視覺提示調優和完全微調）下的表現，並採用了三種實驗協議：跨20個礁點的棲息地內遷移（240次運行）、沿難度梯度進行的跨數據集地理遷移（40次運行），以及每類0到100個標註樣本的少樣本適應曲線（648次運行）。
實驗結果表明，使用凍結的自監督基礎特徵（DINOv2配合線性分類器，僅包含1538個可訓練參數）在未見過的礁點上的泛化能力，至少與那些參數規模大四個數量級的完全微調卷積基線模型相當。這些模型學習到了物種診斷性、棲息地不變的表徵，而基線模型則編碼了在新站點失效的棲息地特定捷徑。令人振奮的是，每個物種僅需10到20張標註圖像，就足以在新站點部署可靠的識別系統，這相當於將標註工作量削減了大約一個數量級。
該研究的解決方案指出，計劃擴展到新站點的項目可以通過配對凍結的開放基礎模型（DINOv2）和一個簡單的線性分類器，並僅對每個物種標註10到20張圖像（每個站點大約需要1到4小時），從而部署可靠的識別系統。該決策框架使項目能夠根據跨站點、生態系統和平台的預期準確率來預算標註工作量，為海洋生態監測的大規模應用提供了實用指南。