Sualtı görüntülerinden otomatik tür sınıflandırması, deniz biyolojisi araştırmalarında kritik bir araçtır ancak uzman açıklamaların maliyeti nedeniyle sınırlı kalmaktadır. Bir veri seti üzerinde eğitilmiş denetimli modeller, yeni koşullara nadiren uyum sağlayabilmektedir.
Yeni araştırmada, dondurulmuş temel model yerleştirmeleri üzerinde çalışan basit bir sınıflandırıcının bu açığı kapatıp kapatamayacağı araştırıldı. Hiçbir ince ayar yapılmadan DINOv3 ViT-B/16 yerleştirmeleri kullanılarak, bir lojistik regresyon sınıflandırıcısı eğitildi ve AQUA20 ölçüt kümesi üzerinde (20 deniz türü) değerlendirildi.
Tam denetim altında, lojistik regresyon %88,5 makro F1 skoru elde ederken ConvNeXt'in %88,9'una sadece 0,4 puanlık farkla yaklaştı. Dikkat çekici olan, 20 türün 8'inde denetimli temel modeli geride bırakmasıdır.
Etiket kıtlığı durumunda ise sınıf başına 21 etiketli örnek kullanıldığında (eğitim etiketlerinin yaklaşık %6'sı), makro F1 skoru %80'i aştı. Uçtan uca denetimli öğrenmeyle neredeyse eş performans, bu genel amaçlı dondurulmuş temsillerin tür düzeyinde güçlü doğrusal ayrılabilirlik sergilediğini göstermektedir.