FathomNet：赋能海洋人工智能的全局图像数据库
计算机视觉与模式识别
2022-09-09 v4 机器学习
图像与视频处理
摘要
海洋正经历前所未有的快速变化，而在负责任管理所需时空尺度上视觉监测海洋生物是一项艰巨任务。当研究界寻求基线时，所需数据收集的量与速率迅速超出我们处理与分析的能力。机器学习近期的进展实现了对视觉数据的快速、复杂分析，但在海洋中因缺乏数据标准化、格式不充分以及对大型标注数据集的需求而成功有限。为满足此需求，我们构建了 FathomNet，一个标准化并聚合专家策展标注数据的开源图像数据库。FathomNet 已用现有的海洋动物、水下设备、碎片及其他概念的标志性与非标志性图像播种，并允许未来来自分布式数据源的贡献。我们展示了如何使用 FathomNet 数据在其他机构视频上训练与部署模型以减少标注工作量，并在与机器人载具集成时实现对水下概念的自动追踪。随着 FathomNet 持续增长并纳入更多来自社区的标注数据，我们可加速视觉数据处理以实现健康可持续的全球海洋。
引用
@article{arxiv.2109.14646,
title = {FathomNet: A global image database for enabling artificial intelligence in the ocean},
author = {Kakani Katija and Eric Orenstein and Brian Schlining and Lonny Lundsten and Kevin Barnard and Giovanna Sainz and Oceane Boulais and Megan Cromwell and Erin Butler and Benjamin Woodward and Katy Croff Bell},
journal= {arXiv preprint arXiv:2109.14646},
year = {2022}
}