WIO-ReefFish: A High-Resolution Dataset for Taxon-Aware Coral Reef Fish Detection in the Western Indian Ocean

为了了解珊瑚礁的健康状况，科学家经常观察在上方游动的鱼类。不同物种的存在及其多样性和数量就像是该生态系统的“活报告单”，揭示了珊瑚礁是在蓬勃发展还是在挣扎求生。几十年来，研究人员一直依赖潜水员沿着珊瑚礁游动，计数他们看到的鱼类，并记录下发现的情况。这种人工工作速度慢、成本高，且难以规模化应用到需要监测的广阔海域中。近年来，计算机已开始学习如何自动识别水下视频中的这些鱼类，为加速这一过程提供了方法。然而，为了让这些计算机程序有效地学习，它们需要基于大规模的真实世界图像进行训练，且这些图像中的每条鱼都必须经过人工的仔细鉴定。这类数据集一直非常稀缺，尤其是在西印度洋地区，这导致我们在利用现代技术监测这些关键栖息地方面存在空白。

一项新的研究通过引入一个大规模、高质量的特制水下图像集来填补这一空白，旨在教计算机如何寻找并识别礁鱼。研究人员汇编了一千张超清晰的照片，每张照片都捕捉到了潜水员在进行标准调查时所见的宽阔礁石视野。这些图像不仅仅是快照；它们还配有数千个精确的轮廓线，这些轮廓线围绕着单条鱼，准确地标出了每条鱼的位置及其种类。该数据集涵盖了二十四种不同的鱼类群体，保留了这些动物在自然环境中共同生活的复杂方式。通过公开这一资源，该团队为计算机视觉工具提供了一个真实的训练场，使其能够超越简单的实验室测试，进入复杂拥挤的珊瑚礁现实环境。

该团队利用这些图像测试了九种不同的计算机模型在执行两项特定任务时的表现。第一项任务要求计算机找到一条鱼并命名其具体类型，这一过程被称为“类别感知检测”（class-aware detection）。第二项任务则仅要求计算机找到鱼所在的位置，而不需要知道其确切物种，研究人员称之为“类别无关定位”（class-agnostic localization）。结果显示出性能上的明显差异。当计算机被要求仅仅是寻找鱼类时，它们的表现非常好，即使面对全新的图像也能成功定位。然而，当任务要求计算机同时识别具体的鱼类类型时，性能显著下降。表现最好的模型在仅需识别物种时的准确率处于中等水平，而在仅需寻找鱼类时，准确率则提升到了极高的水平。这表明，虽然计算机在察觉“那里有一条鱼”方面已经做得相当出色，但在复杂的珊瑚礁视觉噪声中区分不同物种仍然是一个更具挑战性的难题。

该研究还测试了这些模型在它们从未见过的地点表现如何。当研究人员在来自不同调查地点和不同国家的图像上评估这些系统时，识别特定鱼类类型的能力明显下降。当被要求命名物种时，模型在将知识推广到新环境方面显得力不从心。相比之下，仅仅定位鱼类的能力在这些不同的设置中保持了强大且可靠。这表明，虽然自动化工具已经准备好协助统计某一区域的鱼类数量，但若要依靠它们在新的区域进行特定鱼类种类的分类，仍需要进一步的发展。这项工作为衡量该领域的进展建立了一个新标准，为构建更强大的工具奠定了基础，这些工具最终可以支持对西印度洋珊瑚礁生物多样性进行大规模监测。