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

要約

海草草原は海洋生態系において重要な役割を果たしており、炭素隔離、水質改善、生息地の提供などの重要なサービスを提供しています。
海草の分布と量を監視することは、環境影響評価と保全活動に不可欠です。
しかし、海草の被覆率を評価するために水中ビデオトランセクトを分析する現在の手動方法は時間がかかり、主観的です。
この研究では、深層学習モデルを使用して、水中ビデオ データからの海草検出とカバー範囲推定のプロセスを自動化する方法を検討します。
8,300 枚以上の注釈付き水中画像のデータセットが作成され、「アマモあり」と「アマモなし」の二項分類タスクに関して、ResNet、InceptionNetV3、DenseNet、Vision Transformer などのいくつかの深層学習アーキテクチャが評価されました。
画像。
この結果は、深層学習モデル、特に Vision Transformer がアマモの存在を予測する際に高いパフォーマンスを達成できることを示しており、最終テスト データセットでは AUROC スコアが 0.95 を超えています。
転移学習の使用と Deep WaveNet 水中画像強化モデルの適用により、モデルの機能がさらに向上しました。
提案手法により、大量の映像データを効率的に処理することが可能となり、現在の手動手法と比較してより詳細な海草分布情報の取得が可能となります。
海草は沿岸生態系の健全性を示す重要な指標であるため、この情報は環境影響評価や監視プログラムにとって非常に重要です。
全体として、このプロジェクトは深層学習が海洋生態学と環境モニタリングの分野にもたらす価値を実証しています。

要約(オリジナル)

Seagrass meadows play a crucial role in marine ecosystems, providing important services 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 transects 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. A dataset of over 8,300 annotated underwater images was created, and several deep learning architectures, including ResNet, InceptionNetV3, DenseNet, and Vision Transformer, were evaluated for the task of binary classification of “Eelgrass Present” and “Eelgrass Absent” images. The results demonstrate that deep learning models, particularly the Vision Transformer, can achieve high performance in predicting eelgrass presence, with AUROC scores exceeding 0.95 on the final test dataset. The use of transfer learning and the application of the Deep WaveNet underwater image enhancement model further improved the models’ capabilities. 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 compared to current manual methods. This information is crucial for environmental impact assessments and monitoring programs, as seagrasses are important indicators of coastal ecosystem health. Overall, 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