arXiv Artificial Intelligence· Abdulwahab Felemban, Yahia Battach, Faizan Farooq Khan, Yuqian Fu, Xuhui Liu, Yesmeen M. Khattab, Yousef A. Radwan, Xiang Li, Natalie Dunn, Susanne B\"ahr, Tullia Isotta Terraneo, Fabio Marchese, Sara Beery, Luis Silva, Rhonda Suka, Karla Gonzalez Martinez, Marta Ezeta Watts, Federica Barreca, Nicolas Oury, Burton H. Jones, Francesca Benzoni, Mohamed Elhoseiny·· 19 小时前AI 评分32
ReefNet：大规模细粒度珊瑚礁识别数据集与基准
ReefNet: A Large-Scale Dataset and Benchmark for Fine-Grained Coral Reef Recognition
AI 导读
ReefNet 公开数据集将约 925K 条硬珊瑚点标注（来自 76 个 CoralNet 来源及独立采集的 Al-Wajh 数据集）对齐 World Register of Marine Species 分类体系，经 8,962 个图块的专家分层审核后筛出含 39 个标签（38 个属与 Fungiidae 科）的 479,027 条标注基准，保留子集专家一致率 92%。
推荐理由模型分析
ReefNet 把 76 个 CoralNet 来源的约 92.5 万条硬珊瑚点标注与 Al-Wajh 独立数据统一到 WoRMS 分类体系，经 8962 个斑块的专家分层审核后筛出 47.9 万条、39 个标签的基准，并给出保留子集 92% 的专家一致性。它同时设置同源测试与跨源 Al-Wajh 测试，比较零样本、少样本和全量微调，DINOv2 在 Al-Wajh 上宏召回达 65.79%，还检验了文本描述对多模态模型的影响。适合做细粒度视觉识别、长尾与标签不确定性研究的开发者参考，但 Al-Wajh 只是区域压力测试，不能当作全球鲁棒性证据。
来源：arXiv Artificial Intelligence · arxiv.org