Detection of Animal Movement from Weather Radar using Self-Supervised Learning

要約

気象レーダーを使用して飛行する動物 (鳥、コウモリ、昆虫など) を検出すると、動物の移動や移動パターンに関する洞察が得られ、管理努力 (バイオセキュリティなど) に役立ち、生態系への理解が深まります。
気象レーダーにはしきい値処理が含まれます。つまり、専門家の意見に基づいて、レーダー変数のしきい値を定義して適用します。
最近では、深層学習アプローチにより検出パフォーマンスが向上することが示されています。
ただし、学習ベースのモデルを構築するために飛行動物のラベル付き気象レーダー データを十分に取得するには、時間と労力がかかります。
データのラベル付けの課題に対処するために、動物の動きを検出するための自己教師あり学習方法を提案します。
私たちが提案する方法では、しきい値アプローチによって生成されたノイズの多いラベルを含む大規模なデータセットでモデルを事前トレーニングします。
主な利点は、事前トレーニングされたデータセットのサイズが利用可能なレーダー画像の数によってのみ制限されることです。
次に、人間がラベルを付けた小さなデータセットでモデルを微調整します。
水鳥のセグメンテーションに関するオーストラリアの気象レーダー データに関する私たちの実験では、提案された方法がサイコロ係数統計において現在の最先端のアプローチよりも 43.53% 優れていることが示されました。

要約(オリジナル)

Detecting flying animals (e.g., birds, bats, and insects) using weather radar helps gain insights into animal movement and migration patterns, aids in management efforts (such as biosecurity) and enhances our understanding of the ecosystem.The conventional approach to detecting animals in weather radar involves thresholding: defining and applying thresholds for the radar variables, based on expert opinion. More recently, Deep Learning approaches have been shown to provide improved performance in detection. However, obtaining sufficient labelled weather radar data for flying animals to build learning-based models is time-consuming and labor-intensive. To address the challenge of data labelling, we propose a self-supervised learning method for detecting animal movement. In our proposed method, we pre-train our model on a large dataset with noisy labels produced by a threshold approach. The key advantage is that the pre-trained dataset size is limited only by the number of radar images available. We then fine-tune the model on a small human-labelled dataset. Our experiments on Australian weather radar data for waterbird segmentation show that the proposed method outperforms the current state-of-the art approach by 43.53% in the dice co-efficient statistic.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google