تلعب الدراسات المتعلقة بالكائنات البحرية دورًا مهمًا جدًا بالنسبة للبشر، وتساهم بشكل جوهري في العديد من مجالات البحث. وتمثل عملية تحديد هذه الكائنات من خلال معالجة الصور مهمة صعبة، مما يؤدي إلى ما يُعرف بـ "فصل الكائنات البحرية" (Marine Animal Segmentation - MAS). وعلى الرغم من الانتشار الواسع للشبكات العصبية العميقة في مجال فصل الأشياء، إلا أن عددًا قليلاً منها يأخذ في الاعتبار الظروف المعقدة للتصوير تحت الماء والخصائص المُخفيّة (الاندماجية) التي تتمتع بها الكائنات البحرية. ولحل هذه المشكلة، نُقدّم في هذا المقال شبكة عميقة قوية لفصل الكائنات البحرية. وبشكل محدد، نصمم استراتيجية جديدة لتعزيز البيانات (data augmentation) تُغيّر عشوائيًا خصائص التدهور والاندماج الخاصة بالكائنات الأصلية. وباستخدام هذه التحسينات، يتم تدريب شبكة عصبية عميقة قائمة على الدمج (fusion-based) بأسلوب سيامسي (Siamese) لتعلم تمثيلات شمولية مشتركة. علاوة على ذلك، نُنشئ مجموعة بيانات واقعية كبيرة جديدة لـ MAS، تُستخدم في إجراء تجارب واسعة النطاق. وتتكون هذه المجموعة من أكثر من 3000 صورة تمثل مشاهد واقعية متنوعة تحت الماء وكائنات مختلفة، حيث تم تزويدها بخرائط تغطية على مستوى الكائن (object-level mask) وتم تصنيف كل صورة ضمن فئة معينة. وتبين النتائج التجريبية الواسعة أن طريقةنا تتفوق بشكل ملحوظ على 12 طريقة حديثة متقدمة من حيث الجودة النوعية والكمية.