面向海洋大型动物调查的数据驱动眩光分类与预测

加拿大北大西洋水域中的极危物种被系统性调查以估算种群数量，进而影响管理政策。由于其对政策的影响，种群估算的准确性十分重要。本文为数据驱动的眩光建模系统奠定基础，该系统将使调查人员能够预先最小化眩光。调查人员使用探测函数估算未被明确看到的大型动物种群。本研究的一个目标是最大化所收集的有效影像，为此我们将利用眩光模型预测眩光并优化无眩光数据收集。为构建该模型，我们利用一个小型标注数据集进行半监督学习。大型数据集通过级联随机森林模型(Cascading Random Forest Model)采用朴素的伪标注方法进行标注。我们使用一个反射率模型来定位感兴趣特征，以填充我们的数据集，从而实现上下文感知的机器学习模型。伪标注数据集被用于两个模型：多层感知机(Multilayer Perceptron)和循环神经网络(Recurrent Neural Network)。通过本文，我们为数据驱动的任务规划奠定基础；一个眩光建模系统使调查人员能够预先最小化眩光，并在次表层能见度不佳时期减少调查对探测函数作为鲸类种群估算器的依赖。