深度潜水:利用预训练的深度学习来识别大堡礁中的深海ROV生物群
Ratneel Deo1,2,3, Cédric M John4, Chen Zhang5
1Geocoastal Research Group, School of Geosciences, University of Sydney, New South Wales, Australia. deo.ratneel@gmail.com.
Scientific data
|September 3, 2024
概括
这项研究引入了用于自动对象分类的3994张深海图像的新数据集. 深度学习模型,特别是Inception-ResNet,在为息地绘制和保护而对深海生物群进行分类方面表现有前途.
科学领域:
- 海洋生物学 海洋生物学
- 计算机科学 计算机科学
- 生态系统监测 生态系统监测
背景情况:
- 深海生态系统至关重要,需要有效的保护策略.
- 深海生物群的自动分类有助于创建生物多样性和生态系统健康评估的息地图.
- 大量的标记数据集对于训练强大的深度学习模型至关重要.
研究的目的:
- 为深海远程操作车辆 (ROV) 图像分类建立一个重要的数据集.
- 在本数据集中对深度学习模型进行基准测试,以对深海生物群进行分类.
- 支持深海环境中的生物多样性评估和生态系统健康评估.
主要方法:
- 手动标记3994张ROV图像,其中包括33个类别的深海生物体,使用循环中的人类质量控制.
- 实施和对包括ResNet,DenseNet,Inception和Inception-ResNet在内的深度学习模型进行基准测试.
- 在以类不平衡为特征的数据集上评估模型性能.
主要成果:
- 在Inception-ResNet模型中,深海生物群数据集的平均分类准确率达到65%.
- 曲线下的面积 (AUC) 分数在每个类别中都超过了0.8,这表明了强大的分类性能.
- 开发的数据集和模型基准为进一步深海图像分析提供了基础.
结论:
- 创建的数据集是推动深海图像分类研究的宝贵资源.
- 深度学习模型,特别是Inception-ResNet,显示了深海图像自动分析的巨大潜力.
- 这项工作有助于改进监测和保护深海生态系统的方法.
相关概念视频
01:28Methods of Classification and Identification
1.9K
Bacterial identification relies on a diverse array of techniques to classify and understand microorganisms, each tailored to uncover specific characteristics. Traditional morphological approaches, while still valuable, are limited for closely related or structurally simple organisms. Modern methods integrate biochemical, serological, genetic, and advanced molecular tools to achieve greater accuracy.Morphological and Biochemical TechniquesMorphological characteristics, such as cell shape and...
1.9K
01:18Deep Sea Microbial Ecology
42
The deep ocean and its underlying sediments represent vast, largely unexplored microbial habitats that extend far beyond the sunlit photic zone. The photic (euphotic) zone typically spans the upper ~100–200 meters of pelagic waters in the open ocean, but its depth varies geographically and seasonally, where sufficient light supports photosynthetic life. Below this lies the deep sea, spanning roughly 1000–6000 meters (bathypelagic to abyssal zones), with deeper hadal trenches...
42