面向水下物种检测的不确定性感知计算连续体（Compute Continuum）架构：边缘-云数据路由与专家引导模型更新

《Ecological Informatics》：An uncertainty-aware compute continuum architecture for underwater species detection

　　

一种面向水下物种检测（underwater species detection）的不确定性感知（uncertainty-aware）计算连续体（Compute Continuum, CC）架构
•面向不确定性感知生态学的计算连续体（CC）架构。
•不确定性估计驱动边缘到云端（edge-to-cloud）的数据路由决策。
•可靠帧被自动与不确定帧分离。
•信息性样本被保留用于专家引导的模型更新（expert-guided model updates）。
•评估包含基准数据（benchmark data）和一年的观测站图像（observatory images）。

论文解读：面向水下物种检测的不确定性感知计算连续体架构

研究背景与问题。海洋生物群系是地球上最广泛的生态系统，覆盖约70%的地球表面，并通过吸收CO₂在缓解全球变暖中发挥重要作用。水下观测系统，如有线观测站、独立观测站、自主水下航行器（Autonomous Underwater Vehicles, AUV）和海底爬行器，已被用于长期监测，并产生大量视频和环境传感器数据。固定观测站受相机视场限制，移动机器人平台可将其监测能力扩展到空间维度。计算机视觉（Computer Vision, CV）和机器学习（Machine Learning, ML）是长期水下监测的关键使能技术，目标检测（Object Detection, OD）已被广泛用于生成鱼类丰度时间序列。在长期生态监测中，自动流水线直接向丰度时间序列提供数据，系统检测错误可能静默累积并损害生态趋势的科学可解释性。环境变异、鱼类组合的季节和长期变化、水体透明度突变、生物污损以及开放集未知物种，均会显著降低自动视觉系统性能。在此背景下，模型不确定性不仅是置信度指标，也是评估自动生态观测在变化环境条件下可靠性的关键信号。研究人员因此不提出新的目标检测算法，而是研究如何将不确定性估计集成到计算连续体（Compute Continuum, CC）架构中，以提高自动生态观测可信度，并支持未来模型适应。

研究人员开展的研究。研究基于自感知目标检测（Self-Aware Object Detection, SAOD）框架，将不确定性估计集成到面向长期水下生态监测的计算连续体架构中。图像级不确定性被用作质量控制和通信的核心机制，驱动边缘到云端的数据路由、专家审查和模型更新。研究贡献包括：面向长期水下生态监测的不确定性感知计算连续体架构；将SAOD集成到运行中的边缘-云工作流，使图像级不确定性驱动数据路由、专家审查和模型更新；建立面向可靠性的质量控制机制，防止不确定检测直接影响生态丰度时间序列，同时保留信息样本用于未来重训练；并在基准数据集和OBSEA观测站一年图像上验证，展示管理环境退化、域偏移和传感器质量波动的能力。研究结论表明，环境变异、传感器退化和季节动态显著影响模型置信；不确定性感知过滤可通过识别潜在不可靠观测并调节边缘-云连续体信息交换，支持可靠性感知监测工作流。其重要意义在于为长期生态监测提供一种操作框架，将不确定性估计、数据质量控制、专家审查和生态数据管理结合，并为未来模型适应提供基础。

关键技术方法。研究采用SAOD框架进行图像级不确定性估计、置信度校准和阈值化；使用YOLOX-s目标检测器；采用等渗回归（isotonic regression）进行类特定置信度校准；基于局部化召回精度（Localization Recall Precision, LRP）误差优化类特定检测阈值；通过掩蔽真值边界框像素构建伪分布外（pseudo-Out-of-Distribution, pseudo-OOD）数据集，交叉验证图像级接受阈值^?u；云侧负责模型训练、校准、模型仓库和远程更新管理；闭环实验采用选择-标注-重训练循环，比较Accepted、Window、Mixed采样策略。样本来源为OBSEA观测站两个地中海标注数据集，即Ba?os Castelló等2025数据集和Francescangeli等2023数据集，以及2025年1月至11月OBSEA图像流。

研究结果。5.1 训练、校准与阈值调优。研究人员在两个OBSEA数据集上训练、验证、校准和测试YOLOX-s自感知检测器，并在分布内（in-distribution, ID）和分布外（out-of-distribution, OOD）条件下评估。Ba?os Castelló数据集的mAP_50–95为0.5184，未校准LaECE为0.1313±0.0050，等渗校准后降至0.0953±0.0049，IDQ为0.627，IDQT为0.461，DAQ为0.528；Francescangeli数据集的mAP_50–95为0.4008，LaECE由0.1544±0.0037降至0.0926±0.0051，IDQ为0.606，IDQT为0.373，DAQ为0.522。OOD拒绝测试显示，Places365和iNaturalist等远OOD场景容易被拒绝，平衡准确率随OOD源接近目标成像域而单调下降。受试者工作特征曲线下面积（area under the ROC curve, AUROC）高于平衡准确率，说明图像级不确定性具有判别信息，较低平衡准确率主要来自操作点选择。阈值扫描显示，操作阈值附近平衡准确率变化平缓，对精确阈值不敏感；伪OOD调优来源与真实留出物种调优结果差异小，说明掩蔽式阈值可迁移到真实OOD条件。

5.2 闭环验证。研究人员在人工鱼礁和Dolphin尸体两个未见生物栖息地部署在Ba?os Castelló数据集上训练的YOLOX-s自感知检测器?₀，每轮固定预算100帧，进行5轮，使用3个随机种子，比较Accepted、Window和Mixed策略。结果显示，mAP_50–95随专家标注帧累积而增加，人工鱼礁趋势更明显，Dolphin噪声和方差更大；操作点LRP误差在两者均跨轮下降，是最一致的改善趋势；平均图像级不确定性在人工鱼礁下降，在Dolphin保持较高。三种采样策略在种子间方差内表现相当，说明改善来自闭环重训练而非特定选择启发式。

5.3 一年OBSEA数据。2025年1月至11月，OBSEA每日处理图像量及其接受或拒绝状态显示，拒绝率高度动态，作为环境条件驱动的自主节流。1月至3月系统传输大量物种计数遥测，9月边缘节点拒绝大量处理图像。高不确定性帧在传输前被拦截，防止幻觉计数污染生态时间序列，同时保留供人工审查。图像级不确定性月度分布显示，环境随机噪声会改变模型置信；冬季浑浊导致高拒绝率，夏季生物污损和光学变化严重降低模型置信。^?u等于1的无预测帧在边缘丢弃，节省带宽。接受阈值u?作为单一可调操作点，在遥测吞吐与传输计数可靠性之间权衡。

讨论部分总结。讨论指出，海洋科学与技术界正努力为水下观测系统装备智能相机，而实验室高性能计算和云智能仍是有价值的数据解释资源；连接边缘与云的CC范式需在海洋科学中研究评估。该架构利用检测模型选择不确定帧并传至云进行人在回路注释，支持未来训练数据集和OD模型更新。主动学习（Active Learning, AL）在CC中被用于选择相关样本、减少人工标注成本；SAOD以图像不确定性作为单一可解释标准，不需要额外计算，并用全局阈值在ID、域偏移和OOD数据上交叉验证。该策略作为数据策展机制，将最大不确定性分配给无预测帧，避免专家标注浪费在传感器伪影上。静态边缘模型存在时间限制：短期物理退化如生物污损、浑浊可由高不确定性显示；长期季节变化静默退化，可能出现过度自信检测，导致假阳性影响丰度估计。因此需要边缘与云协作，但本研究聚焦不确定性数据选择和路由，未实验评估完整重训练和重部署周期。未来需评估通信开销、延迟、带宽、能耗、标注工作量等系统级指标，并研究闭环适应和持续学习。

研究结论翻译。在本工作中，研究人员提出了一种用于水下物种检测的不确定性感知计算连续体架构，旨在支持现实运行条件下的长期生态观测。通过将SAOD框架集成到边缘部署的监测平台，所提系统在统一的生态监测工作流中结合了不确定性估计、质量控制和云端数据管理。研究人员并非将不确定性估计视为目标检测的纯技术副产品，而是将其作为数据策展机制，以提高基于图像的生态观测可靠性。通过图像级不确定性评估和类特定置信过滤，系统降低了低质量或环境退化观测传播到丰度时间序列的风险，同时保留潜在信息样本供专家审查和未来模型更新。在基准数据集和沿海有线观测站一年图像上进行的评估表明，环境变异、传感器退化和季节动态显著影响模型置信。结果进一步表明，不确定性感知过滤可通过识别潜在不可靠观测并调节边缘-云连续体交换的信息，支持可靠性感知监测工作流。从生态信息学角度看，本工作的主要贡献是将不确定性感知目标检测集成到为长期生态监测定制的计算连续体架构中。该框架不是引入新的检测方法，而是提供一种操作途径，组合不确定性估计、数据质量控制、专家审查和生态数据管理。所提架构还通过支持不确定观测的收集、路由和管理，为未来模型适应提供基础。然而，本研究未评估包含注释、重训练、重部署和更新后性能评估的完整闭环更新周期。因此，未来工作将聚焦完整框架的操作部署，包括评估通信开销、延迟、带宽利用、能耗和注释工作量等系统级指标。此外，研究人员计划研究基于专家引导重训练和持续学习机制的闭环适应策略，以及将不确定性模式用作环境变化、传感器退化和物种组合变化的指标。