Aprovechamiento del poder de Squidle+ para desarrollar modelos flexibles de aprendizaje automático

Área de la Ciencia:

• Ecología Marina
• Ciencias de la Computación
• Teledetección

Sus antecedentes:

• La anotación manual de imágenes del fondo marino es un cuello de botella en el monitoreo ecológico debido a restricciones de tiempo y costo.
• Los modelos de aprendizaje automático (AA) existentes a menudo carecen de generalización debido al entrenamiento con conjuntos de datos pequeños y homogéneos.

Objetivo del estudio:

• Desarrollar y validar modelos de AA escalables para analizar conjuntos de datos de imágenes del fondo marino grandes y heterogéneos.
• Mejorar la eficiencia y la precisión del monitoreo ecológico utilizando clasificadores de AA.

Principales métodos:

• Se ensambló un conjunto de datos grande y heterogéneo (1,7 millones de anotaciones, 150 000 imágenes) de 325 expediciones australianas utilizando la plataforma Squidle+.
• Se desarrolló una estrategia novedosa de distribución de vecinos y recorte adaptativo para un entrenamiento de modelos eficaz en diversas resoluciones de imágenes.
• Se implementó un canal de entrenamiento flexible que excluye campañas enteras para la evaluación independiente del rendimiento a escala nacional.

Principales resultados:

• Se lograron altas precisiones de prueba: 85%-93% para Variables Oceánicas Esenciales (EOV), incluida la cobertura de pastos marinos, macroalgas y coral duro.
• Se alcanzó una precisión del 96,5% para la etiqueta específica de la especie Ecklonia radiata en conjuntos de prueba de campaña en toda Australia.
• Se demostró un rendimiento sólido a escala nacional de los modelos de AA entrenados con conjuntos de datos diversos y a gran escala.

Conclusiones:

• Los modelos de AA desarrollados proporcionan una solución escalable y precisa para el análisis de imágenes del fondo marino, superando las limitaciones de datos anteriores.
• El código y los modelos disponibles públicamente integrados en Squidle+ reducen las barreras para los programas de monitoreo ecológico.
• Este estudio establece un nuevo punto de referencia para la aplicación de AA en evaluaciones ecológicas marinas utilizando conjuntos de datos grandes y diversos.