AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：FathomNet×
6月25日
10:36
10:36arXiv cs.LG@Dan Zimmerman, Dimitris A. Pados, George Sklivanitis
针对水下图像中海洋物种自动分类面临的域迁移、细粒度相似性和标注粒度不均衡问题，研究者提出了一种结合分类学层次结构的深度学习框架。该方法包括分类学加权损失、最小风险贝叶斯推理、多尺度特征编码和独立的分层分类头。在FathomNet 2025数据集（包含7个分类等级的79个海洋类别）上评估，系统实现了1.581的平均分类学距离，接近第一名方案（1.535），差距在3%以内。主要改进来自于与度量对齐的推理以及简单解耦组件，它们在分布变化下比学习依赖关系具有更好的泛化能力。
论文FathomNet海洋物种分类分层分类深度学习分类学加权损失
推荐理由：这篇论文用分层损失和贝叶斯推理搞定水下物种分类，在FathomNet上只比第一名差3%，思路很实在。
原文
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07