In this paper, we present a simple and modularized neural network architecture, named interleaved group convolutional neural networks (IGCNets). The main point lies in a novel building block, a pair of two successive interleaved group convolutions: primary group convolution and secondary group convolution. The two group convolutions are complementary: (i) the convolution on each partition in primary group convolution is a spatial convolution, while on each partition in secondary group convolution, the convolution is a point-wise convolution; (ii) the channels in the same secondary partition come from different primary partitions. We discuss one representative advantage: Wider than a regular convolution with the number of parameters and the computation complexity preserved. We also show that regular convolutions, group convolution with summation fusion, and the Xception block are special cases of interleaved group convolutions. Empirical results over standard benchmarks, CIFAR-10, CIFAR-100, SVHN and ImageNet demonstrate that our networks are more efficient in using parameters and computation complexity with similar or higher accuracy.

Introduction Sea turtles are ideal flagship and umbrella species for marine biodiversity conservation. The quality of nesting grounds is crucial for the successful reproduction of sea turtles, as it determines whether they can successfully nest and hatch. The Xisha Islands represent the largest remaining nesting grounds for green turtles in China. However, they face numerous threats and lack management guidelines for nesting ground restoration. Methods In this study, we continuously monitored the beach changes and coastal erosion on North Island, which is located in the northern region of the Xisha Islands, from 2019 to 2022. Results From 2020 to 2022, the beach area on North Island decreased annually by 11,800 m 2 , accounting for 24.39% of the beach area in 2020. The proportion of suitable nesting sand types (including coarse and medium sands) also decreased annually, with a reduction of 40–70% on the southern beach of North Island. The peak nesting period of green turtles on North Island coincides with the frequent occurrence of typhoons in the South China Sea, causing tidal surges that inundate green turtle nests, resulting in an average nest loss rate of 35.25%. Discussion Based on the above threats, it is recommended to promptly initiate habitat restoration in severely eroded areas of green turtle nesting grounds to prevent further declines in nesting area and quality. Additionally, measures such as nest relocation should be implemented to enhance green turtle reproductive success.

In the dynamic landscape of saliency detection, convolutional neural networks have emerged as catalysts for innovation, but remain largely tailored for RGB imagery, falling short in the context of infrared images, particularly in memory-restricted environments. These existing approaches tend to overlook the wealth of contour information vital for a nuanced analysis of infrared images. Addressing this notable gap, we introduce the novel Two-branch Edge Guided Lightweight Network (TBENet), designed explicitly for the robust analysis of infrared image saliency detection. The main contributions of this paper are as follows. First, we formulate the saliency detection task as two subtasks, contour enhancement and foreground segmentation. Therefore, the TBENet is divided into two specialized branches: a contour prediction branch for extracting target contour and a saliency map generation branch for separating the foreground from the background. The first branch employs an encoder–decoder architecture to meticulously delineate object contours, serving as a guiding blueprint for the second branch. This latter segment adeptly integrates spatial and semantic data, creating a precise saliency map that is refined further by an innovative edge-weighted contour loss function. Second, to enhance feature integration capabilities, we propose depthwise multi-scale and multi-cue modules, facilitating sophisticated feature aggregation. Third, a high-level linear bottleneck module is devised to ensure the extraction of rich semantic information, and by replacing the standard convolution with the depthwise convolution, it is beneficial to reduce model complexity. Additional, we reduce the number of channels of the feature maps from each stage of the decoder to further enhance the lightweight of the model. Last, we construct a novel infrared ship dataset Small-IRShip to train and evaluate our proposed model. Experimental results on the homemade dataset Small-IRShip and two publicly available datasets, namely RGB-T and IRSTD-1k, demonstrate TBENet's superior performance over state-of-the-art methods, affirming its effectiveness in harnessing edge information and incorporating advanced feature integration strategies.