BenthicNet：面向深度学习应用的海底图像全球汇编
计算机视觉与模式识别
2025-02-19 v3 机器学习
摘要
水下成像技术的进步使得收集大量海底图像数据集成为可能，这对于监测重要的底栖生态系统至关重要。收集海底图像的能力已超越了我们的分析能力，阻碍了这一关键环境信息的利用。机器学习方法为提高海底图像分析效率提供了机遇，但支持此类方法开发的大型且一致的数据集仍然稀缺。在此，我们提出 BenthicNet：一个旨在支持大规模图像识别模型训练与评估的海底图像全球汇编。我们收集并整理了初始的超过 1140 万张图像，并使用 130 万张具有代表性的图像子集来展现海底环境的多样性。这些图像附带有 310 万个转换为 CATAMI 方案的标注，覆盖了其中 19 万张图像。基于该汇编训练了一个大型深度学习模型，初步结果表明该模型在自动化大型和小型图像分析任务方面具有实用价值。该汇编与模型已在 https://doi.org/10.20383/103.0614 开放提供以供重用。
引用
@article{arxiv.2405.05241,
title = {BenthicNet: A global compilation of seafloor images for deep learning applications},
author = {Scott C. Lowe and Benjamin Misiuk and Isaac Xu and Shakhboz Abdulazizov and Amit R. Baroi and Alex C. Bastos and Merlin Best and Vicki Ferrini and Ariell Friedman and Deborah Hart and Ove Hoegh-Guldberg and Daniel Ierodiaconou and Julia Mackin-McLaughlin and Kathryn Markey and Pedro S. Menandro and Jacquomo Monk and Shreya Nemani and John O'Brien and Elizabeth Oh and Luba Y. Reshitnyk and Katleen Robert and Chris M. Roelfsema and Jessica A. Sameoto and Alexandre C. G. Schimel and Jordan A. Thomson and Brittany R. Wilson and Melisa C. Wong and Craig J. Brown and Thomas Trappenberg},
journal= {arXiv preprint arXiv:2405.05241},
year = {2025}
}