پایگاه داده تصویر منبع باز جدید قدرت هوش مصنوعی را برای اکتشاف اقیانوس – ScienceDaily باز می کند


یک تلاش مشترک جدید بین MBARI و سایر موسسات تحقیقاتی در حال استفاده از قدرت هوش مصنوعی و یادگیری ماشینی برای تسریع تلاش‌ها برای مطالعه اقیانوس 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.

FathomNet یک پایگاه داده تصویر منبع باز است که از پیشرفته ترین الگوریتم های پردازش داده برای کمک به پردازش بک لاگ داده های بصری استفاده می کند. استفاده از هوش مصنوعی و یادگیری ماشین تنگنای تجزیه و تحلیل تصاویر زیر آب را کاهش می دهد و تحقیقات مهم در مورد سلامت اقیانوس ها را تسریع می بخشد.

“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.”

بنیانگذاران پروژه Katija، Katy Croff Bell (Ocean Discovery League)، و بن وودوارد (CVision AI)، به همراه اعضای تیم توسعه یافته FathomNet، توسعه این پایگاه داده تصویری جدید را در یک نشریه تحقیقاتی اخیر در این کشور شرح دادند. گزارش های علمی.

پیشرفت‌های اخیر در یادگیری ماشینی، تجزیه و تحلیل سریع و پیچیده داده‌های بصری را امکان‌پذیر می‌سازد، اما استفاده از هوش مصنوعی در تحقیقات اقیانوس‌ها به دلیل فقدان مجموعه استانداردی از تصاویر موجود که بتواند برای آموزش ماشین‌ها برای شناسایی و فهرست‌نویسی اشیاء زیر آب مورد استفاده قرار گیرد، محدود شده است. و زندگی FathomNet این نیاز را با جمع‌آوری تصاویر از منابع متعدد برای ایجاد یک پایگاه داده آموزش تصویر زیر آب به‌صورت تخصصی در دسترس عموم برطرف می‌کند.

“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.”

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 حاشیه‌نویسی است که مشاهدات حیوانات، زیستگاه‌ها و اشیاء را ثبت می‌کند. این مجموعه داده غنی منبع ارزشمندی برای محققان این موسسه و همکاران در سراسر جهان است.

FathomNet زیر مجموعه ای از مجموعه داده های MBARI و همچنین دارایی های National Geographic و NOAA را در خود جای داده است.

آزمایشگاه فناوری اکتشاف انجمن نشنال جئوگرافیک از سال 2010 نسخه‌های سکوی فرودگر اعماق زمین خود، سیستم دوربین در اعماق دریا را به کار گرفته است و بیش از 1000 ساعت داده ویدیویی را از مکان‌ها در همه حوضه‌های اقیانوسی و زیستگاه‌های دریایی مختلف جمع‌آوری می‌کند. 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.

اداره ملی اقیانوسی و جوی (NOAA) Ocean Exploration شروع به جمع آوری داده های ویدئویی با یک سیستم وسیله نقلیه دوگانه کنترل از راه دور روی کشتی NOAA کرد. Okeanos Explorer در سال 2010. بیش از 271 ترابایت از مرکز ملی اطلاعات محیطی NOAA (NCEI) بایگانی شده و برای عموم قابل دسترسی است. NOAA Ocean Exploration در اصل از طریق دانشمندان داوطلب شرکت کننده، حاشیه نویسی های جمعی را تهیه می کرد و در سال 2015 شروع به حمایت از تاکسونومیست های خبره برای حاشیه نویسی دقیق تر ویدیوهای جمع آوری شده کرد.

“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: مهم‌تر 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 مدل‌های یادگیری ماشینی آموزش‌دیده توسط FathomNet برای حاشیه‌نویسی ویدیوهای ضبط‌شده توسط وسایل نقلیه زیر آب از راه دور (ROV) راه‌اندازی کرد. استفاده از الگوریتم های هوش مصنوعی تلاش انسان را تا 81 درصد کاهش داد و نرخ برچسب گذاری را ده برابر افزایش داد.

مدل‌های یادگیری ماشینی که با داده‌های FathomNet آموزش داده شده‌اند نیز پتانسیل ایجاد انقلابی در اکتشاف و نظارت بر اقیانوس دارند. برای مثال، تجهیز وسایل نقلیه روباتیک با دوربین‌ها و الگوریتم‌های یادگیری ماشینی بهبودیافته می‌تواند در نهایت امکان جستجو و ردیابی خودکار حیوانات دریایی و سایر اشیاء زیر آب را فراهم کند.

“چهار سال پیش، ما تصور می‌کردیم که از یادگیری ماشینی برای تجزیه و تحلیل هزاران ساعت ویدیوی اقیانوسی استفاده کنیم، اما در آن زمان، اساساً به دلیل کمبود تصاویر حاشیه‌نویسی شده امکان‌پذیر نبود. FathomNet اکنون این چشم انداز را به واقعیت تبدیل می‌کند، اکتشافات و قفل را باز می‌کند. 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.

تا سپتامبر 2022، فتوم نت حاوی 84454 تصویر بود که نشان دهنده 175875 بومی سازی از 81 مجموعه مجزا برای 2243 مفهوم بود و مشارکت های اضافی در حال انجام است. هدف FathomNet به دست آوردن 1000 مشاهدات مستقل برای بیش از 200000 گونه جانوری در حالت‌ها و شرایط تصویربرداری مختلف – در نهایت بیش از 200 میلیون مشاهده در کل. برای اینکه FathomNet به اهداف مورد نظر خود برسد، مشارکت اجتماعی قابل توجهی — از جمله مشارکت های با کیفیت بالا در طیف گسترده ای از گروه ها و افراد — و استفاده گسترده از پایگاه داده مورد نیاز است.

“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. چالش‌های مربوط به داده‌های بصری اقیانوس که بدون درگیری گسترده غیرممکن است.»

فتوم نت: fathomnet.org

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

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]