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を可能にします。
海底画像を収集する能力は、この重要な環境情報の動員を妨げ、それを分析する能力を上回っています。
機械学習アプローチは、海底の画像が分析される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の大きくて一貫したデータセットは希少です。
ここでは、BenthicNet：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ために設計された海底画像のグローバルな編集を示します。
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、1,140万枚以上の画像の初期セットが収集され、キュレーションされました。
これらには、190,000個の画像に及ぶCatamiスキームに翻訳された310万個の注釈が伴います。
このコンピレーションで大規模な深い学習モデルが訓練され、予備的な結果は、大小の画像分析タスクを自動化するためのユーティリティがあることを示唆しています。
コンピレーションとモデルは、https：//doi.org/10.20383/103.0614で再利用できるようになります。

要約(オリジナル)

Advances in underwater imaging enable collection of extensive seafloor image datasets necessary for monitoring important benthic ecosystems. The ability to collect seafloor imagery has outpaced our capacity to analyze it, hindering mobilization of this crucial environmental information. Machine learning approaches provide opportunities to increase the efficiency with which seafloor imagery is analyzed, yet large and consistent datasets 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 3.1 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 reuse at https://doi.org/10.20383/103.0614.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google