鲸鱼是海洋生态系统健康的关键调节者(O’Connor, Campbell, Cortez, & Knowles, 2009)。除了作为“海洋生态系统工程师”的生态作用(Roman et al., 2014)外,它们还通过碳封存和营养物质循环利用带来显著的经济价值(Chami, Cosimano, Fullenkamp, Oztosun, 2019, Jenkins, Van Houtan, 2016)。然而,鲸鱼种群正面临来自船只撞击、噪音污染和气候变化的日益增加的威胁(Liu, Lin, Dong, Caruso, Li, 2022, Nisi, Welch, Brodie, Leiphardt, Rhodes, Hazen, Redfern, Branch, Barreto, Calambokidis, Clavelle, Dares, de Vos, Gero, Jackson, Kenney, Kroodsma, Leaper, McCauley, Moore, Ovsyanikova, Panigada, Robinson, White, Wilson, Abrahms, 2024)。尽管国际鲸鱼委员会(IWC)采取了保护措施,但最近鲸鱼数量的下降凸显了有效监测策略的迫切需求(Boulent et al., 2023)。
传统的检测方法,如基于船只的调查和声学技术,资源消耗大且受空间限制(Charry, Marcoux, & Humphries, 2018)。卫星遥感技术提供了一个可扩展的替代方案(Li et al., 2020),但面临数据稀缺和环境干扰(例如波浪、云层覆盖)等挑战,这些因素常常导致误识别(Shao, Wu, Wang, Du, & Li, 2018)。此外,由于投影失真,从二维卫星图像中估算鲸鱼体型仍然很困难(Stewart, Hudson, Sherbo, & Watt, 2024)。
为了解决这些挑战,本文提出了一种新的鲸鱼检测和体型估算方法。主要贡献包括:
•数据集扩充:我们利用ClusterGAN和传统的数据增强技术(灰度处理、噪声注入、翻转)生成合成鲸鱼图像,以缓解数据稀缺问题。
•模型改进:通过添加TA机制,使检测模型能够捕捉复杂海洋环境中的细微空间和上下文线索。
•实际应用:该方法应用于Google Earth图像进行热点监测,实现了在高分辨率下的稳定识别和准确体型参数化。
本文的其余部分回顾了相关工作(第2节),详细介绍了方法论(第3节),报告了实验结果(第4节),并提出了未来研究方向(第5节)。