Syntetiska bilder av koraller (Desmophyllum pertusum) med objektigenkänningmodeller
SND-ID: 2022-98-1. Version: 1. DOI: https://doi.org/10.5878/hp35-4809
Ladda ner alla filer
Citering
Skapare/primärforskare
Matthias Obst
- Göteborgs universitet, Institution för marina vetenskaper
Sarah Al-Khateeb - MMT Sweden AB / Ocean Infinity
Victor Anton
- wildlife.ai
Jannes Germishuys - Combine AB
Forskningshuvudman
Göteborgs universitet
- Institutionen för marina vetenskaper
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.
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 bara tränad på originalbilder, och den andra på originalbilder tillsammans med syntetiska bilder.
Den maskininlärningsmjukvara som
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.
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 bara tränad på originalbilder, och den andra på originalbilder tillsammans med syntetiska bilder.
Den maskininlärningsmjukvara som använts finns i dagsläget (2022) tillgänglig på Github.
StyleGAN2: https://github.com/NVlabs/stylegan2
YOLOv4: https://github.com/AlexeyAB/darknet Visa mindre..
Data innefattar personuppgifter
Nej
Språk
Tidsperiod(er) som undersökts
1999 – 2001
Dataformat / datastruktur
Arter och taxon
Ansvarig institution/enhet
Institutionen för marina vetenskaper
Finansiering 1
-
Finansiär:
Forskningsrådet för miljö, areella näringar och samhällsbyggande (FORMAS)
- 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
- 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
- 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)
Forskningsområde
Zoologi (Standard för svensk indelning av forskningsämnen 2011)
Ekologi (Standard för svensk indelning av forskningsämnen 2011)
Arealtäckande bilder och bakgrundskartor (INSPIRE topic categories)
Biologi och ekologi (INSPIRE topic categories)
Kust och hav (INSPIRE topic categories)
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.
