در رقابت اخیر FathomNetCLEF 2026، محققان با چالشهای بزرگی مثل دادههای ناقص و محدود در شناسایی گونههای دریایی روبرو شدند. تیم DS@GT ARC برای حل این مشکل، یک سیستم هوشمند چندمرحلهای طراحی کرده که با استفاده از ترکیب مدل قدرتمند Megalodon YOLOv8x برای شناسایی اولیه و مدل DINOv3 برای طبقهبندی دقیق، توانست نتایج درخشانی کسب کند.
نکته کلیدی این تحقیق، اهمیت استفاده از «مجموعه دادههای واسط» (Proxy Datasets) برای ارزیابی مدلها در شرایطی است که دادههای آموزشی واقعی بسیار محدود یا ناقص هستند. این دستاورد نشان میدهد که چطور ترکیب خلاقانه مدلهای بینایی ماشین میتواند حتی در محیطهای چالشبرانگیز زیرآبی، دقت تشخیص را به شدت افزایش دهد. 🤖🌊
منبع: arXiv AI