Identifizierung von Fischarten mittels eines convolutionalen neuronalen Netzwerks, das mit synthetischen Daten trainiert wurde

Zusammenfassung Akustische Schalenerhebungen sind ein wichtiges Instrument für das marine Bestandsmanagement und das Umweltmonitoring des Meereslebens. Die korrekte Zuordnung des akustischen Signals zu Arten oder Artengruppen ist eine Herausforderung, und kürzlich wurden Scherkamera-Systeme entwickelt, um die Interpretation akustischer Daten zu unterstützen. Die Untersuchung von Bildern aus bekannten Positionen im Schertrack liefert hochauflösende Bodenwahrheiten für das Vorhandensein von Arten. Hier entwickeln und setzen wir ein Deep-Learning-neuronales Netzwerk ein, um die Klassifizierung der in Bildern des Deep Vision-Scherkamera-Systems vorhandenen Arten zu automatisieren. Um die Knappheit von Trainingsdaten zu beheben, entwickelten wir ein neuartiges Trainingsregime, das auf einer realistischen Simulation von Deep Vision-Bildern basiert. Wir erreichten eine Klassifikationsgenauigkeit von 94 % für Blaufisch, Atlantischen Hering und Atlantischen Makrele, was zeigt, dass die automatische Artenklassifizierung ein tragfähiger und effizienter Ansatz ist und dass die Verwendung synthetischer Daten effektiv den allzu häufigen Mangel an Trainingsdaten mildern kann.