BenthicNet: A global compilation of seafloor images for deep learning applications

要約

水中イメージングの進歩により、重要な底生生態系の監視に必要な広範な海底画像データセットの収集が可能になりました。
海底画像を収集する能力が私たちの分析能力を上回り、この重要な環境情報の適切な活用が妨げられています。
最近の機械学習アプローチは、海底画像データセットの分析効率を高める機会を提供しますが、そのようなアプローチの開発をサポートするために必要な大規模で一貫したデータセットは不足しています。
ここでは、大規模な画像認識モデルのトレーニングと評価をサポートするように設計された海底画像のグローバルな編集である BenthicNet を紹介します。
1,140 万枚を超える画像の初期セットが収集され、130 万枚の画像の代表的なサブセットを使用して海底環境の多様性を表すために厳選されました。
これらには、19 万枚の画像にまたがる CATAMI スキームに翻訳された 260 万件の注釈が付属しています。
大規模な深層学習モデルがこのコンパイルに基づいてトレーニングされ、予備的な結果は、このモデルが大規模および小規模の画像分析タスクを自動化するのに有用であることを示唆しています。
編集とモデルは、https://doi.org/10.20383/103.0614 で科学コミュニティが使用できるように公開されています。

要約(オリジナル)

Advances in underwater imaging enable the collection of extensive seafloor image datasets that are necessary for monitoring important benthic ecosystems. The ability to collect seafloor imagery has outpaced our capacity to analyze it, hindering expedient mobilization of this crucial environmental information. Recent machine learning approaches provide opportunities to increase the efficiency with which seafloor image datasets are analyzed, yet large and consistent datasets necessary to support development of such approaches are scarce. Here we present BenthicNet: a global compilation of seafloor imagery designed to support the training and evaluation of large-scale image recognition models. An initial set of over 11.4 million images was collected and curated to represent a diversity of seafloor environments using a representative subset of 1.3 million images. These are accompanied by 2.6 million annotations translated to the CATAMI scheme, which span 190,000 of the images. A large deep learning model was trained on this compilation and preliminary results suggest it has utility for automating large and small-scale image analysis tasks. The compilation and model are made openly available for use by the scientific community at https://doi.org/10.20383/103.0614.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google