机构名称：
¥ 1.0
太平洋中的深海纹状会具有强大的商业，文化和娱乐价值，尤其是鲷鱼（Lutjanidae），这些价值（Lutjanidae）构成了大部分捕捞量。然而，由于数据的稀缺，管理这些遗迹是具有挑战性的。立体声诱饵的远程水下视频站（BRUV）可以提供有关鱼类股票的有价值的定量信息，但是手动处理大量视频是耗时的，有时甚至是不现实的。为了解决这个问题，我们使用了基于区域的卷积神经网络（更快的R-CNN），这是一种深度学习体系结构来自动检测，识别和计算BRUV中的深水鲷鱼。视频是在新喀里多尼亚（南皮林）收集的，深度为47至552 m。使用在6,364张图像中观察到的11个深水鲷鱼物种中的12,100个注释的数据集，我们为具有舒适注释的6种物种获得了良好的模型性能（F-Measures> 0.7，最高0.87）。视频中最大丰度的自动和手动估计之间的相关性很高（0.72 - 0.9），但较快的R-CNN显示出低估的偏见。一种半自动协议，我们的模型在处理BRUV镜头时支持手动观察者，改善了性能，与手动计数的相关性为0.96，对于某些关键物种，则具有0.96的相关性和完美的匹配（r = 1）。此模型已经可以帮助手动观察者半自动地处理BRUVS录像，并且当更多培训数据可用以降低假否定率时，肯定会改善。这项研究进一步表明，在海洋科学中使用人工智能是进步的，但对未来有必要。
自动检测，识别和计数深...
主要关键词
相关文件推荐
