海牛经常成群结队地在浅水区觅食，这使得它们容易受到环境变化和其他风险的影响。准确统计特定区域内海牛的聚集数量对于观察它们的行为习惯、设计船只安全规则、安排护理和干预计划等都具有重要意义。由于海牛独特的形状、群体生活习性、水面反射、遮挡和伪装等因素，准确计数海牛数量具有挑战性。
佛罗里达大西洋大学提出了一种基于深度学习的群体计数方法。该方法使用低质量图像作为输入，自动计算区域内海牛的数量。鉴于海牛独特的形状和常在浅水区成群出现的特点，提出使用各向异性高斯核（AGK），该方法具有可调的旋转和平移参数，以最大化地捕获不同聚集中个体海牛的形状。将AGK核应用于多种为群体计数设计深度神经网络，包括VGG、SANet、CSRNet、MARUNet等，以学习海牛密度并计算场景中的海牛数量。结果表明基于DNN和AGK内核的海牛计数方法在低分辨率图像上表现良好，尤其是在背景复杂的高密度海牛图像中，能很好地估计场景中的海牛密度，且实现了最小的平均绝对误差（MAE）和均方根误差（RMSE）。
该方法平衡了标记成本与计数效率，为海牛计数提供了一种简单而高效的解决方案。该研究方法为更广泛的应用创造了可行性，对计数技术的改进，改善了对生态系统未来预测的准确性。（张灿影 编译）
