Tillbaka till sökresultat

Syntetiska bilder av koraller (Desmophyllum pertusum) med objektigenkänningmodeller

SND-ID: 2022-98

Skapare/primärforskare

Matthias Obst - Göteborgs universitet, Institution för marina vetenskaper orcid

Sarah Al-Khateeb - MMT Sweden AB / Ocean Infinity

Victor Anton - wildlife.ai orcid

Jannes Germishuys - Combine AB

Beskrivning

Två objektigenkänningsmodeller som använder sig av Darknet/YOLOv4 har tränats på bilder av korallen Desmophyllum pertusum från Kosterhavets nationalpark. I en av modellerna har träningsbilddata förstärkts ytterligare med generativ modellering enligt StyleGAN2.
Datasetet innehåller 2266 syntetiska bilder med positionsmärken och 409 originalbilder av koraller som använts för att träna maskininlärningsmodellen. Det innehåller också YOLOv4-modellerna samt StyleGAN2-nätverket.

Språk

Engelska

Huvudman, medverkande och finansiering

Forskningshuvudman

Göteborgs universitet

Ansvarig institution/enhet

Institutionen för marina vetenskaper

Finansiering 1

  • Finansiär: Forskningsrådet för miljö, areella näringar och samhällsbyggande (FORMAS) rorId
  • Diarienummer hos finansiär: 2021-02465_Formas
  • Projektnamn på ansökan: National implementation of a platform for analysis of sub-sea images (PLAN-SUBSIM)
  • Information om finansiering: Datainsamlingen finansierades av Swedish Biodiversity Data Infrastructure (VR), Ocean Data Factory (Vinnova), och PLAN-SUBSIM (FORMAS)

Finansiering 2

  • Finansiär: Vetenskapsrådet rorId
  • Diarienummer hos finansiär: 2019-00242
  • Projektnamn på ansökan: Swedish Biodiversity Data Infrastructure
  • Information om finansiering: Datainsamlingen finansierades av Swedish Biodiversity Data Infrastructure (VR), Ocean Data Factory (Vinnova), och PLAN-SUBSIM (FORMAS)

Finansiering 3

  • Finansiär: Vinnova rorId
  • Diarienummer hos finansiär: 2019-02256
  • Projektnamn på ansökan: Ocean Data Factory
  • Information om finansiering: Datainsamlingen finansierades av Swedish Biodiversity Data Infrastructure (VR), Ocean Data Factory (Vinnova), och PLAN-SUBSIM (FORMAS)
Skyddsvärde och etikprövning

Data innefattar personuppgifter

Nej

Metod och tidsperiod

Tidsperiod(er) som undersökts

1999 – 2001

Arter och taxon

ögonkorall
lophelia pertusa (formerly)

Geografisk täckning

Geografisk utbredning

Geografisk plats: Sverige

Geografisk beskrivning: Kosterhavets Nationalpark

Ämnesområde och nyckelord

Forskningsområde

Zoologi, Ekologi (Standard för svensk indelning av forskningsämnen 2011)
Arealtäckande bilder och bakgrundskartor, Biologi och ekologi, Kust och hav (INSPIRE ämnesklassificering)

Nyckelord

benthic ecosystem, corals, naturtyper och biotoper, skyddade områden, maskininlärning, computer vision, objektigenkänning, undervattensbild, bildigenkänning, övervakning av bentiska habitat, datautökning

Publikationer

Alkhateeb, Sarah, Obst, Matthias, Anton, Victor and Germishuys Jannes. (2023). A methodology to detect deepwater corals using Generative Adversarial Networks. GigaScience. [Submitted manuscript].

Om du publicerat något baserat på det här datamaterialet, meddela gärna SND en referens till din(a) publikation(er). Är du ansvarig för katalogposten kan du själv uppdatera metadata/databeskrivningen via DORIS.

Dataset
Syntetiska bilder av koraller (Desmophyllum pertusum) med objektigenkänningsmodeller

Ladda ner data

Beskrivning

Bildmaterialet är ett stillbildsurval från råvideo som samlats in med en fjärrstyrd undervattensfarkost.
De 409 JPEG-bilderna från råvideon är i upplösningen 720x576. Vissa har beskurits från koordinater som varit synliga på OSD-display.
De syntetiska bilderna är i upplösningen 512x512 och i PNG-format.
StyleGAN2-nätverket finns tillgänglig som serialiserad pickle-fil (*.pkl).
Objektigenkänningsmodellerna finns med i .weights-formatet som används i Darknet/YOLOv4-paketet. Den ena modellfilen är

... Visa mer..

Version 1

Citering

Matthias Obst, Sarah Al-Khateeb, Victor Anton, Jannes Germishuys. Göteborgs universitet (2023). Syntetiska bilder av koraller (Desmophyllum pertusum) med objektigenkänningsmodeller . Svensk nationell datatjänst. Version 1. https://doi.org/10.5878/hp35-4809

Ladda ner citering

Dataformat / datastruktur

Stillbild

Programvara

Skapare/primärforskare

Matthias Obst - Göteborgs universitet, Institution för marina vetenskaper orcid

Sarah Al-Khateeb - MMT Sweden AB / Ocean Infinity

Victor Anton - wildlife.ai orcid

Jannes Germishuys - Combine AB

Datainsamling 1

  • Insamlingsmetod: Inspelning
  • Beskrivning av insamlingsmetod: Videoinspelningar från 35 st forskningskryssningar i Kosterhavets nationalpark med ROV.
  • Tidsperiod(er) för datainsamling: 1999–2004
  • Datainsamlare: Institutionen för marina vetenskaper, Göteborgs universitet

Datainsamling 2

  • Insamlingsmetod: Transkription
  • Beskrivning av insamlingsmetod: Klassifikationen av Desmophyllum pertusum på stillbilder från videodatan har genomförts genom medborgarforskning och frivilliga deltagare via klassifikationsverktyget på webbplatsen The Koster seafloor observatory.
  • Datainsamlare: The Koster seafloor observatory

Licens

Creative Commons Public domain-dedikation (CC0 1.0)

Kontakt för frågor om data

Denna resurs har följande relationer

Publicerad: 2023-04-12
Senast uppdaterad: 2023-05-03