减少底栖生态标注负担：基于DINOv3种子传播与迭代弱监督的海底沉积物关联特征自动检测

《Ecological Informatics》：Reducing annotation burden in benthic ecology: Weak supervision for automated detection of seafloor sediment-linked features

　　

种子标注（Seed annotations）可启动对重复性海底特征（repetitive seafloor features）的标注。特征相似性（Feature similarity）可将种子框（seed boxes）扩展为候选标注（candidate annotations）。迭代过滤（Iterative filtering）可改善基于生成标签（generated labels）的检测。密集、重复性特征（Dense, repetitive features）可实现标注节省（annotation savings）；复杂情况（complex cases）需要复核（review）。

Shahrokh Heidari等针对底栖生态学中海底沉积物关联特征检测的标注瓶颈，提出两阶段弱监督目标检测（weakly supervised object detection, WSOD）框架。海底沉积物关联特征如洞穴、管状席、足迹、苔藓虫群体等构成软沉积物生态系统结构基础，影响沉积物稳定性、营养循环和栖息地复杂性。准确、快速、大规模检测对生态研究和保护管理重要。但这类特征隐蔽、边界弥散、与背景沉积物视觉相似，且缺乏专用框级标注数据集；密集标注耗时且需专家。弱监督学习（weakly supervised learning, WSL）和预训练基础模型（foundation models）可利用有限监督，DINOv3（一种预训练视觉基础模型）能识别结构相似区域，为减少标注提供可能。研究人员因此构建种子驱动的标注到检测器流程，在受控洞穴基准和十类沉积物特征数据集上评估。

主要关键技术方法（≤250字）：研究人员采用两阶段框架。第一阶段以每类每图一个手动种子框为感兴趣区域（region of interest, ROI），用DINOv3 ViT-L/16提取密集特征，经特征匹配、亲和力随机游走和连通域分析生成候选框作为初始伪标签；第二阶段用YOLO11s进行WSOD迭代，包括微调、阈值校准、伪标签生成、过滤与top-k选择，验证提升时更新权重。受控基准来自爱尔兰水下电视调查的Nephrops norvegicus公开数据集，选350幅图像并穷尽标注10,072框；生态案例来自新西兰Coromandel Peninsula Channel Island/Motu Takapu周围20段GoPro Hero 12雪橇拖曳视频，选2250帧，其中346帧由海底生态学家完整标注（100验证、246测试），1904幅无完整训练标注图像经DINOv3生成候选后一次性专家复核。评估指标包括Precision、Recall、F1、交并比（Intersection over Union, IoU）、mAP₅₀、mAP_50-95，并开展特征可分性、高斯模糊、模拟水下效应和一致性分析。

3.1 洞穴数据集分析。研究人员在350幅Nephrops norvegicus公开图像中穷尽标注10,072个框，每图一个种子框共350个。比较DINO-local、DINO-global、SAM-local、SAM-global，DINO-global伪标签质量最佳，DINO优于SAM，全局原型匹配优于局部。用伪标签训练YOLO11s，DINO-local和DINO-global第7次迭代达mAP₅₀ 0.82、F1 0.77；全监督GT基线为mAP₅₀ 0.94、F1 0.88。手动框减少96.5%，保留全监督mAP₅₀的87.23%。框绘制时间外推约16 min和7.8 h，仅为估计。结论：密集重复特征可实现标注节省，迭代弱监督能部分恢复标签噪声和欠标注损失。

3.2 沉积物特征数据集分析。1904幅无完整训练标注图像，原24类合并为10类：移除Whelks，Divit合并，14种海绵归为Sponges_1和Sponges_2。DINOv3特征显示类内一致和类间可分。生成15,688个框，经一次性专家复核后迭代训练，迭代0为初始微调，迭代1—4精炼。

3.2.1 迭代性能。验证集上迭代0至4总体改善，迭代3暂时下降。F1从0.611升至0.770，mAP_50-95从0.389升至0.565，mAP₅₀从0.658升至0.828。迭代4各类F1均值0.77，Anemone最高0.898，Mounds最低0.652；Fanworm召回0.937，但Anemone和Fanworm验证实例仅8和16，不确定性大。结论：迭代伪标签可提升由专家复核非穷尽标注初始化的检测器，精确定位仍难。

3.2.2 稳健性评估。高斯模糊下F1从0.770降至0.555，保留72.1%；Precision保留81.1%高于Recall 64.8%，模糊主要增加漏检。复合水下效应下F1从0.770降至Level 4的0.141，保留18.3%；Level 2 F1 0.612，mAP₅₀ 0.642，较基线F1下降20.5%。一致性分析平均一致性93.0%，Recall一致性96.7%，mAP₅₀ 94.5%；标准推理F1 0.770高于增强推理0.727。最终测试集上迭代4最佳模型mAP₅₀ 0.838，Precision 0.762，Recall 0.746，F1 0.754。结论：轻度至中度退化下仍有检测能力，严重退化限制识别；预测可支持自动筛选和候选标注。

讨论总结：研究针对底栖生态学规模化细粒度特征检测瓶颈，将DINOv3特征表示与迭代弱监督结合。洞穴基准显示少量手动框可获得有用检测性能；多类案例显示可支持专家引导标注。框架不消除生态学专长，而将工作从穷尽画框转向复核、修正和解释自动候选。框级检测适合出现和近似空间位置比精确边界更相关的任务，如特征筛选、近似丰度、空间共现、斑块性评估；面积、形状、边界需更详细标注和独立验证。稳健性仅基于同一验证图像的合成变换，不证明跨平台、相机、栖息地和环境泛化。类别不平衡、视觉独特性、边界清晰度和类内一致性影响迭代精炼。弱监督输出应视为辅助候选标注而非确定生态观测。洞穴基准无独立未触碰测试集，性能为受控比较结果。总体是辅助组件，生态解释和专家监督仍核心。

研究结论翻译：研究人员提出了两阶段弱监督目标检测框架，结合基于DINOv3的种子传播与迭代伪标签精炼，以减少对穷尽人工标注的依赖。在受控洞穴基准上，该框架使用显著少于全监督的人工提供框实现了有用检测性能。多类沉积物特征案例进一步显示，该方法可支持视觉更复杂的生态图像中的专家引导标注，但生成标签在训练前需要专家复核。总体而言，这些结果表明该框架可作为辅助标注和检测工具，而非生态学专长的替代。当前证据局限于所评估数据集，尚未确立跨栖息地、调查平台、相机系统或环境条件的泛化性。未来工作应在独立数据集上评估框架，量化多类设置中的专家复核时间，并检验跨地点和成像条件的迁移。将方法扩展到联合表示底质组成和沉积物关联特征，可能支持软沉积物栖息地的更全面描述，但仍需应用特定的生态验证。