Large-scale Detection of Marine Debris in Coastal Areas with Sentinel-2

要約

海洋汚染とマクロプラスチックの検出と定量化は、生態系と人間の健康に直接影響を与える、ますます差し迫った環境問題となっています。
海洋汚染を定量化する取り組みは、大規模に実施することが難しい、まばらで高価な海岸調査で実施されることがよくあります。
ここでは、リモートセンシングによって沿岸地域の海洋ゴミを定期的に監視および検出することで、プラスチック汚染の信頼できる推定値を得ることができます。
沿岸地域の中解像度の衛星データは容易に入手でき、プラスチックごみを含む海洋ゴミの集合体を検出するために活用できます。
この研究では、ピクセル レベルで海洋ゴミの確率を出力するディープ セグメンテーション モデルに基づいて構築された海洋ゴミの検出器を紹介します。
私たちはこの検出器を海洋ゴミの注釈付きデータセットの組み合わせでトレーニングし、検出された海洋ゴミにプラスチック汚染が存在する可能性が高い特別に選択されたテストサイトで評価します。
私たちは、複数のソースから発行されたこのデータセットでトレーニングされた深層学習モデルが、以前のデータセットでトレーニングされた既存の検出モデルを大幅に上回ることを定量的および定性的に実証します。
私たちの実験は、データ中心 AI の原則と一致して、このパフォーマンスが特定の深層学習モデルに依存するのではなく、否定的な例の広範なサンプリングとラベルの改良による特定のデータセット設計によるものであることを示しています。
私たちは、海洋ゴミの大規模な自動検出の進歩を加速させたいと考えています。これは、地球規模でのリモートセンシングによる海洋ゴミの定量化と監視に向けた一歩であり、モデルの重みとトレーニング ソース コードを https://github.com でリリースしたいと考えています。
/marccoru/marinedebrisdetector

要約(オリジナル)

Detecting and quantifying marine pollution and macro-plastics is an increasingly pressing ecological issue that directly impacts ecology and human health. Efforts to quantify marine pollution are often conducted with sparse and expensive beach surveys, which are difficult to conduct on a large scale. Here, remote sensing can provide reliable estimates of plastic pollution by regularly monitoring and detecting marine debris in coastal areas. Medium-resolution satellite data of coastal areas is readily available and can be leveraged to detect aggregations of marine debris containing plastic litter. In this work, we present a detector for marine debris built on a deep segmentation model that outputs a probability for marine debris at the pixel level. We train this detector with a combination of annotated datasets of marine debris and evaluate it on specifically selected test sites where it is highly probable that plastic pollution is present in the detected marine debris. We demonstrate quantitatively and qualitatively that a deep learning model trained on this dataset issued from multiple sources outperforms existing detection models trained on previous datasets by a large margin. Our experiments show, consistent with the principles of data-centric AI, that this performance is due to our particular dataset design with extensive sampling of negative examples and label refinements rather than depending on the particular deep learning model. We hope to accelerate advances in the large-scale automated detection of marine debris, which is a step towards quantifying and monitoring marine litter with remote sensing at global scales, and release the model weights and training source code under https://github.com/marccoru/marinedebrisdetector

arxiv情報

提供元, 利用サービス

arxiv.jp, Google