您需要多少个标签？跨栖息地海洋物种识别的决策框架

自动图像识别越来越多地用于扩展手动注释之外的生态监测，但生态学家缺乏基于证据的指导，无法确定在新地点可靠部署需要多少标记工作。我们提出了一个决策框架，量化在海洋栖息地转移视觉系统时标记工作和识别准确性之间的权衡。该基准涵盖五个数据集、三个海洋和三个分类群（鱼类、珊瑚、无脊椎动物），从大堡礁和法属波利尼西亚的热带珊瑚礁到温带丹麦峡湾。我们在四种适应策略（线性探测、LoRA、Visual Prompt Tuning、完整的 微调）下跨三个协议评估了四种识别模型（DINOv2、CLIP、ResNet-50、EfficientNet-B4）：跨 20 个珊瑚礁地点的栖息地内转移（240 次运行）、沿难度梯度的跨数据集地理转移（40 次运行）以及每类 0-100 个标记样本的小样本适应曲线（648 次运行）。冻结的自监督基础特征（DINOv2 + 线性分类器，1,538 个可训练参数）至少推广到看不见的珊瑚礁地点，并且完全微调的卷积基线大四个数量级；他们学习了物种诊断、栖息地不变的表示，而基线编码了在新地点失败的特定栖息地的捷径。每个物种只需 10-20 个标记图像就足以在新地点部署可靠的识别，从而将注释工作减少大约一个数量级。解决方案。扩展到新站点的程序可以通过将冻结的开放基础模型 (DINOv2) 与简单的线性分类器配对并仅注释每个物种 10-20 个图像（每个站点大约 1-4 小时）来部署可靠的识别。该框架允许项目根据站点、生态系统和平台的预期准确性来预算标签工作。