摘要
海洋动物研究对人类具有重要意义，并在多个科研领域中发挥关键作用。通过图像处理技术识别海洋动物是一项极具挑战性的任务，由此催生了海洋动物分割（Marine Animal Segmentation, MAS）这一研究方向。尽管深度神经网络已在目标分割任务中得到广泛应用，但现有方法大多未能充分考虑水下复杂成像条件以及海洋动物具有的伪装特性。为此，本文提出了一种鲁棒的深度海洋动物分割网络。具体而言，我们设计了一种新型数据增强策略，可随机改变原始目标的退化程度与伪装属性，以提升模型在复杂环境下的泛化能力。基于此类增强数据，本文构建了一种基于融合机制的深度神经网络，采用孪生（Siamese）结构以学习共享的语义表征。此外，本文还构建了一个新的大规模真实世界海洋动物分割数据集，用于支持广泛的实验验证。该数据集包含超过3000张图像，涵盖多种水下场景与目标类型，每张图像均配有目标级别的掩码标注，并标注了所属类别。大量实验结果表明，所提方法在定性和定量两个方面均显著优于12种当前最先进的分割方法。