Approximately 2,500 weights and corresponding images of harvested Lates calcarifer (Asian seabass or barramundi) were collected at three different locations in Queensland, Australia. Two instances of the LinkNet-34 segmentation Convolutional Neural Network (CNN) were trained. The first one was trained on 200 manually segmented fish masks with excluded fins and tails. The second was trained on 100 whole-fish masks. The two CNNs were applied to the rest of the images and yielded automatically segmented masks. The one-factor and two-factor simple mathematical weight-from-area models were fitted on 1072 area-weight pairs from the first two locations, where area values were extracted from the automatically segmented masks. When applied to 1,400 test images (from the third location), the one-factor whole-fish mask model achieved the best mean absolute percentage error (MAPE), MAPE=4.36%. Direct weight-from-image regression CNNs were also trained, where the no-fins based CNN performed best on the test images with MAPE=4.28%.
Automatic Assessment of Full Left Ventricular Coverage in Cardiac Cine Magnetic Resonance Imaging with Fisher-Discriminative 3D CNN
University of Sheffield（谢菲尔德大学）；University of Leeds（利兹大学）；University of Oxford（牛津大学）；John Radcliffe Hospital（约翰·拉德克利夫医院）；Queen Mary University of London（伦敦玛丽女王大学）；Barts Health NHS Trust（巴特国民保健署信托基金会）
心脏磁共振（CMR）图像在心血管疾病的诊断成像中发挥着越来越重要的作用。左心室（LV）从底部到心尖的全覆盖是CMR图像质量的基本标准，也是准确测量心脏体积和功能评估所必需的。通过目视检查识别LV的不完全覆盖，这是耗时的，并且通常在大型成像队列的评估中进行回顾性检查。本文提出了一种新的自动方法来确定左心室覆盖CMR图像通过使用费舍尔判别三维（FD 3D）卷积神经网络（CNN）。与我们之前采用2D CNN的方法相比，这种方法利用CMR体积中的空间上下文信息，提取更具代表性的高级特征，并增强基线2D CNN学习框架的区分能力，从而实现卓越的检测精度。提出了一个两阶段的框架，以确定丢失的基底和顶端切片的CMR体积测量。首先，FD 3D CNN从CMR堆栈中提取高级特征。这些图像表示然后用于检测缺失的基底和顶端切片。与传统的3D CNN策略相比，所提出的FD 3D CNN最小化类内分散，最大化类间分散。我们进行了广泛的实验，以验证所提出的方法超过5,000个独立的体积CMR扫描从英国生物银行的研究，实现低出错率缺失的基底/顶端切片检测（4.9\%/4.6\%）。所提出的方法也可以用于评估其他类型的CMR图像数据的LV覆盖。
A Realistic Fish-Habitat Dataset to Evaluate Algorithms for Underwater Visual Analysis
James Cook University（詹姆斯库克大学）；University of British Columbia（不列颠哥伦比亚大学）；Element AI
对复杂鱼类生境的视觉分析是实现可持续渔业供人类消费和环境保护的重要一步。在大规模数据集上训练时，深度学习方法在景物分析方面表现出了巨大的潜力。然而，目前的鱼类分析数据集往往集中在有限的，平原环境中的分类任务，不捕捉水下鱼类栖息地的复杂性。为了解决这一限制，我们将DeepFish作为一个具有大规模数据集的基准套件，用于训练和测试几个计算机视觉任务的方法。该数据集包括从澳大利亚热带地区的20个\green{habitats in the}海洋环境中收集的大约4万张水下图像。数据集最初只包含分类标签。因此，我们收集了点级和分割标签，以获得更全面的鱼类分析基准。这些标签使模型能够学习自动监控鱼的数量，识别它们的位置并估计它们的大小。我们的实验提供了一个深入的分析数据集的特点，和性能评估的几个国家的最先进的方法的基础上，我们的基准。尽管在ImageNet上预训练的模型在这个基准测试中表现出色，但仍有改进的空间。因此，该基准作为一个测试平台，以激励在水下计算机视觉这一具有挑战性的领域的进一步发展。代码可在：https://github.com/alzayats/DeepFish
Temperate Fish Detection and Classification: a Deep Learning based Approach
University of Agder (UiA)（阿格德大学）；Institute of Marine Research (IMR)（海洋研究所）
在海洋生态学的广泛应用中，广泛使用水下相机。尽管如此，为了有效地处理产生的大量数据，我们需要开发能够自动检测和识别胶片上捕获的物种的工具。在自然环境中从视频和图像中对鱼类进行分类可能具有挑战性，因为噪声和光照变化以及周围栖息地。在本文中，我们提出了一种两步深度学习方法，用于在没有预过滤的情况下检测和分类温带鱼类。第一步是检测图像中的每一条鱼，不受物种和性别的影响。为此，我们采用了You Only Look Once（YOLO）目标检测技术。在第二步中，我们采用了一个卷积神经网络（CNN）与挤压和激励（SE）架构的分类图像中的每一条鱼没有预过滤。我们采用迁移学习来克服温带鱼类训练样本有限的问题，提高分类的准确率。这是通过使用ImageNet训练目标检测模型和通过公共数据集（Fish 4Knowledge）训练鱼类分类器来完成的，因此目标检测和分类器都使用感兴趣的温带鱼类进行更新。从预训练获得的权重作为先验应用于后训练。我们的解决方案在预训练上达到了99.27%的最先进的准确率。训练后的准确率百分比值良好;在有和没有图像增强的情况下分别为83.68\%和87.74\%，这表明该解决方案在更广泛的数据集上是可行的。
