بروزرسانی: 25 خرداد 1404
پایگاه داده تصویر منبع باز جدید قدرت هوش مصنوعی را برای اکتشاف اقیانوس - ScienceDaily باز می کند
بودجه اولیه برای FathomNet توسط انجمن نشنال جئوگرافیک (#518018)، اداره ملی اقیانوسی و جوی (NA18OAR4170105) و MBARI از طریق حمایت سخاوتمندانه بنیاد دیوید و لوسیل پاکارد ارائه شد. حمایت مالی اضافی توسط انجمن نشنال جئوگرافیک (NGS-86951T-21) و بنیاد ملی علوم (OTIC #1812535 & Convergence Accelerator #2137977) ارائه شده است.
منبع
"در حالی که FathomNet یک پلت فرم مبتنی بر وب است که بر روی یک API ساخته شده است که در آن افراد می توانند داده های برچسب گذاری شده را برای آموزش الگوریتم های جدید بارگیری کنند، ما همچنین می خواهیم که به عنوان جامعه ای خدمت کند که در آن کاوشگران اقیانوس و علاقه مندان از هر زمینه ای بتوانند دانش و تخصص خود را به اشتراک بگذارند و به حل آن کمک کنند. چالش های مربوط به داده های بصری اقیانوس که بدون درگیری گسترده غیرممکن است.»
به منظور مدیریت تأثیرات ناشی از تغییرات آب و هوایی و سایر تهدیدها، محققان نیاز فوری به کسب اطلاعات بیشتر در مورد ساکنان، اکوسیستم ها و فرآیندهای اقیانوس دارند. همانطور که دانشمندان و مهندسان رباتیک پیشرفته ای را توسعه می دهند که می تواند حیات دریایی و محیط را برای نظارت بر تغییرات سلامت اقیانوس ها تجسم کند، آنها با یک مشکل اساسی روبرو هستند: مجموعه تصاویر، ویدئو و سایر داده های بصری بسیار فراتر از ظرفیت محققان برای تجزیه و تحلیل است.
پیشرفت های اخیر در یادگیری ماشینی، تجزیه و تحلیل سریع و پیچیده داده های بصری را امکان پذیر می سازد، اما استفاده از هوش مصنوعی در تحقیقات اقیانوس ها به دلیل فقدان مجموعه استانداردی از تصاویر موجود که بتواند برای آموزش ماشین ها برای شناسایی و فهرست نویسی اشیاء زیر آب مورد استفاده قرار گیرد، محدود شده است. و زندگی FathomNet این نیاز را با جمع آوری تصاویر از منابع متعدد برای ایجاد یک پایگاه داده آموزش تصویر زیر آب به صورت تخصصی در دسترس عموم برطرف می کند.
فتوم نت: fathomnet.org
آزمایشگاه فناوری اکتشاف انجمن نشنال جئوگرافیک از سال 2010 نسخه های سکوی فرودگر اعماق زمین خود، سیستم دوربین در اعماق دریا را به کار گرفته است و بیش از 1000 ساعت داده ویدیویی را از مکان ها در همه حوضه های اقیانوسی و زیستگاه های دریایی مختلف جمع آوری می کند. این ویدیوها متعاقباً در پلتفرم تجزیه و تحلیل مشترک مبتنی بر ابر CVision AI وارد شده و توسط متخصصان موضوع در دانشگاه هاوایی و OceansTurn حاشیه نویسی شده است.
در طول 35 سال گذشته، MBARI نزدیک به 28000 ساعت فیلم در اعماق دریا ضبط کرده و بیش از 1 میلیون تصویر از اعماق دریا جمع آوری کرده است. این مجموعه از داده های بصری توسط تکنسین های تحقیقاتی در آزمایشگاه ویدئویی MBARI به تفصیل شرح داده شده است. آرشیو ویدئویی MBARI شامل تقریباً 8.2 میلیون حاشیه نویسی است که مشاهدات حیوانات، زیستگاه ها و اشیاء را ثبت می کند. این مجموعه داده غنی منبع ارزشمندی برای محققان این موسسه و همکاران در سراسر جهان است.
"چهار سال پیش، ما تصور می کردیم که از یادگیری ماشینی برای تجزیه و تحلیل هزاران ساعت ویدیوی اقیانوسی استفاده کنیم، اما در آن زمان، اساساً به دلیل کمبود تصاویر حاشیه نویسی شده امکان پذیر نبود. FathomNet اکنون این چشم انداز را به واقعیت تبدیل می کند، اکتشافات و قفل را باز می کند. کتی کراف بل، بنیانگذار و رئیس لیگ اکتشاف اقیانوس و یکی از بنیانگذاران FathomNet، گفت: ابزارهایی را که کاوشگران، دانشمندان و مردم می توانند برای سرعت بخشیدن به اکتشاف اقیانوس استفاده کنند، فعال می کند.
"FathomNet یک مثال عالی از این است که چگونه همکاری و علم جامعه می تواند پیشرفت هایی را در نحوه یادگیری ما در مورد اقیانوس ایجاد کند. با داده های MBARI و سایر همکاران به عنوان ستون فقرات، ما امیدواریم که FathomNet بتواند به سرعت بخشیدن به تحقیقات اقیانوس در زمانی که اقیانوس را درک می کنیم کمک کند. لونی لاندستن، تکنسین ارشد تحقیقاتی در آزمایشگاه ویدئویی MBARI، نویسنده مشترک و عضو تیم FathomNet، گفت: مهم تر از همیشه است.
به عنوان یک منبع مبتنی بر وب منبع باز، سایر موسسات می توانند به جای تلاش های سنتی و منابع فشرده برای پردازش و تجزیه و تحلیل داده های بصری، به FathomNet کمک کرده و از آن استفاده کنند. MBARI یک برنامه آزمایشی برای استفاده از مدل های یادگیری ماشینی آموزش دیده توسط FathomNet برای حاشیه نویسی ویدیوهای ضبط شده توسط وسایل نقلیه زیر آب از راه دور (ROV) راه اندازی کرد. استفاده از الگوریتم های هوش مصنوعی تلاش انسان را تا 81 درصد کاهش داد و نرخ برچسب گذاری را ده برابر افزایش داد.
"یک اقیانوس بزرگ به داده های بزرگ نیاز دارد. محققان در حال جمع آوری مقادیر زیادی از داده های بصری برای مشاهده حیات در اقیانوس هستند. چگونه می توانیم همه این اطلاعات را بدون اتوماسیون پردازش کنیم؟ یادگیری ماشینی مسیری رو به جلو فراهم می کند، با این حال این رویکردها به مجموعه داده های عظیم برای آموزش متکی هستند. کاکانی کاتیا، مهندس اصلی MBARI، گفت: "FathomNet برای پر کردن این شکاف ساخته شده است."
یک تلاش مشترک جدید بین MBARI و سایر موسسات تحقیقاتی در حال استفاده از قدرت هوش مصنوعی و یادگیری ماشینی برای تسریع تلاش ها برای مطالعه اقیانوس است.
"در پنج سال گذشته، یادگیری ماشینی چشم انداز تجزیه و تحلیل بصری خودکار را متحول کرده است، که عمدتاً توسط مجموعه های عظیم داده های برچسب گذاری شده هدایت می شود. ImageNet و Microsoft COCO مجموعه داده های معیار برای برنامه های زمینی هستند که محققان یادگیری ماشین و بینایی کامپیوتری به آنها هجوم می آورند. بن وودوارد، بنیانگذار و مدیر عامل CVision AI و یکی از بنیانگذاران FathomNet، گفت: ما حتی شروع به خراش دادن سطح قابلیت های یادگیری ماشینی برای تجزیه و تحلیل بصری زیر آب نکرده ایم. "با FathomNet، هدف ما ارائه یک معیار غنی و جالب برای درگیر کردن جامعه یادگیری ماشینی در یک حوزه جدید است."
نویسنده: تیم تحریریه Matthew Newman