ICES J MAR SCI

　　为了优化识别框架的算法训练及效果验证流程，研究团队借助自主研发的海洋浮游生物原位光学成像设备，在深圳大亚湾及海南昌江海域捕获的图像资源基础上，构建了一个丰富的实验数据集。基于这一数据集，团队对模型进行了针对性训练，并精心设计了多种检测数据集组合，旨在全面评估该框架在复杂多变的海洋环境中，面对数据不均衡、数据分布漂移及异常样本等挑战时的性能表现。

　　实验数据显示，IsPlanktonIR算法框架在上述复杂测试环境中展现出了卓越的性能。尤为值得一提的是，当新类别图像在测试中首次出现，该框架仅需少量新的人工标注样本补充至检索库，即可迅速实现对新类别图像的准确识别。

　　此外，研究团队还将IsPlanktonIR框架与经典浮游生物图像分类算法及最新异常值检测算法进行了对比测试。结果显示，IsPlanktonIR不仅在开集识别这一传统算法难以应对的领域中取得了显著成效，在闭集分类这一其擅长领域也展现出了媲美甚至部分超越的性能指标。同时，IsPlanktonIR的识别结果稳健性显著提升，进一步证明了其在海洋观测应用中的高度可靠性和灵活性。