SeagrassFinder: Deep Learning for Eelgrass Detection and Coverage Estimation in the Wild

要約

海草の牧草地は、海洋生態系で重要な役割を果たし、炭素隔離、水質改善、生息地の提供などの利点を提供します。
海草の分布と豊富さを監視することは、環境への影響評価と保全の取り組みに不可欠です。
ただし、水中ビデオデータを分析して海草のカバレッジを評価する現在の手動の方法は、時間がかかり、主観的です。
この作業では、水中ビデオデータからの海草の検出とカバレッジの推定のプロセスを自動化するためのディープラーニングモデルの使用を調査します。
8,300を超える注釈付きの水中画像の新しいデータセットを作成し、その後、転送学習による海草の存在と不在に関するバイナリ分類のタスクについて、ResNet、InceptionNetv3、Densenet、Vision Transformerを含むいくつかの深い学習アーキテクチャを評価します。
結果は、深い学習モデル、特に視覚変圧器が、最終テストデータセットでAuroCスコアが0.95を超えるEelgrassの存在を予測する上で高性能を達成できることを示しています。
水中画像強化を適用すると、モデルの予測機能がさらに改善されました。
さらに、ビデオデータからの海草のカバレッジを推定するための新しいアプローチを導入し、専門家のマニュアルラベルと一致する有望な予備的な結果を示し、一貫したスケーラブルな監視の可能性を示しています。
提案された方法論により、大量のビデオデータの効率的な処理が可能になり、現在の手動方法と比較して、海草分布に関するより詳細な情報の取得が可能になります。
海草は沿岸生態系の健康に関する重要な指標であるため、この情報は環境影響評価と監視プログラムにとって重要です。
このプロジェクトは、深い学習が海洋生態学と環境監視の分野にもたらすことができる価値を示しています。

要約(オリジナル)

Seagrass meadows play a crucial role in marine ecosystems, providing benefits such as carbon sequestration, water quality improvement, and habitat provision. Monitoring the distribution and abundance of seagrass is essential for environmental impact assessments and conservation efforts. However, the current manual methods of analyzing underwater video data to assess seagrass coverage are time-consuming and subjective. This work explores the use of deep learning models to automate the process of seagrass detection and coverage estimation from underwater video data. We create a new dataset of over 8,300 annotated underwater images, and subsequently evaluate several deep learning architectures, including ResNet, InceptionNetV3, DenseNet, and Vision Transformer for the task of binary classification on the presence and absence of seagrass by transfer learning. The results demonstrate that deep learning models, particularly Vision Transformers, can achieve high performance in predicting eelgrass presence, with AUROC scores exceeding 0.95 on the final test dataset. The application of underwater image enhancement further improved the models’ prediction capabilities. Furthermore, we introduce a novel approach for estimating seagrass coverage from video data, showing promising preliminary results that align with expert manual labels, and indicating potential for consistent and scalable monitoring. The proposed methodology allows for the efficient processing of large volumes of video data, enabling the acquisition of much more detailed information on seagrass distributions in comparison to current manual methods. This information is crucial for environmental impact assessments and monitoring programs, as seagrasses are important indicators of coastal ecosystem health. This project demonstrates the value that deep learning can bring to the field of marine ecology and environmental monitoring.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google