Whale Detection Enhancement through Synthetic Satellite Images

要約

多くの海洋個体群が急速に減少しているため、クジラを含む幅広い海洋動物の効果的な保護政策を策定するために、海洋個体群に関するデータの収集と分析がますます重要になっています。
最新のコンピューター ビジョン アルゴリズムにより、幅広い領域の画像からクジラを検出できるようになり、監視プロセスがさらに高速化および強化されます。
ただし、これらのアルゴリズムは大規模なトレーニング データセットに大きく依存しているため、特に海洋または水生環境では収集が困難で時間がかかります。
しかし、AI の最近の進歩により、機械学習アルゴリズムをトレーニングするためのデータセットを合成的に作成できるようになり、以前は不可能だった新しいソリューションが可能になりました。
この研究では、SeaDroneSim2 ベンチマーク スイートというソリューションを紹介します。これは、航空写真および衛星合成画像データセットを生成することでこの課題に対処し、クジラの検出を向上させ、トレーニング データ収集に必要な労力を削減します。
実際のデータを 10% 増やすことで、トレーニングに実際のデータのみを使用する場合と比較して、クジラ検出のパフォーマンスが 15% 向上することを示します。
私たちは、シミュレーション プラットフォーム SeaDroneSim2 のコードと、それを通じて生成されたデータセットの両方をオープンソースにしています。

要約(オリジナル)

With a number of marine populations in rapid decline, collecting and analyzing data about marine populations has become increasingly important to develop effective conservation policies for a wide range of marine animals, including whales. Modern computer vision algorithms allow us to detect whales in images in a wide range of domains, further speeding up and enhancing the monitoring process. However, these algorithms heavily rely on large training datasets, which are challenging and time-consuming to collect particularly in marine or aquatic environments. Recent advances in AI however have made it possible to synthetically create datasets for training machine learning algorithms, thus enabling new solutions that were not possible before. In this work, we present a solution – SeaDroneSim2 benchmark suite, which addresses this challenge by generating aerial, and satellite synthetic image datasets to improve the detection of whales and reduce the effort required for training data collection. We show that we can achieve a 15% performance boost on whale detection compared to using the real data alone for training, by augmenting a 10% real data. We open source both the code of the simulation platform SeaDroneSim2 and the dataset generated through it.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google