WIO-ReefFish: A High-Resolution Dataset for Taxon-Aware Coral Reef Fish Detection in the Western Indian Ocean

Per comprendere lo stato di salute di una barriera corallina, gli scienziati spesso osservano i pesci che vi nuotano sopra. La varietà e il numero di diverse specie presenti fungono da pagella vivente per l'ecosistema, rivelando se la barriera sta prosperando o lottando per sopravvivere. Per decenni, i ricercatori si sono affidati ai subacquei che nuotano lungo la barriera, contano i pesci che vedono e annotano ciò che hanno trovato. Questo lavoro manuale è lento, costoso e difficile da estendere per coprire le vaste estensioni di oceano che necessitano di monitoraggio. Negli ultimi anni, i computer hanno iniziato a imparare come individuare automaticamente questi pesci nei video subacquei, offrendo un modo per velocizzare il processo. Tuttavia, affinché questi programmi informatici imparino efficacemente, devono essere addestrati su grandi collezioni di immagini del mondo reale dove ogni pesce sia stato accuratamente identificato da un essere umano. Tali collezioni sono state rare, specialmente per l'Oceano Indiano Occidentale, lasciando un vuoto nella nostra capacità di monitorare questi habitat critici con la tecnologia moderna.

Un nuovo studio affronta questo vuoto introducendo una collezione massiccia e di alta qualità di immagini subacquee progettata specificamente per insegnare ai computer come trovare e identificare i pesci di barriera. I ricercatori hanno compilato mille fotografie ultra-chiare, ognuna delle quali cattura una vista ampia della barriera come la vedrebbe un subacqueo durante un rilievo standard. Queste immagini non sono semplici istantanee; sono accompagnate da migliaia di contorni precisi tracciati attorno ai singoli pesci, segnando esattamente dove si trova ciascuno e di che tipo sia. Il dataset copre ventiquattro diversi gruppi di pesci, preservando il complesso modo in cui questi animali vivono insieme nel loro ambiente naturale. Rendendo questa risorsa pubblica, il team ha fornito un campo di addestramento realistico per gli strumenti di visione artificiale, andando oltre i semplici test di laboratorio per affrontare la realtà disordinata e affollata di una barriera corallina.

Il team ha utilizzato queste immagini per testare quanto bene nove diversi modelli informatici potessero eseguire due compiti specifici. Il primo compito richiedeva al computer di trovare un pesce e nominarne il tipo specifico, un processo noto come rilevamento consapevole della classe (class-aware detection). Il secondo compito chiedeva al computer solo di individuare dove si trovasse un pesce, senza la necessità di conoscerne l'esatta specie, operazione che hanno chiamato localizzazione agnostica rispetto alla classe (class-agnostic localization). I risultati hanno mostrato una chiara differenza di prestazioni. Quando ai computer veniva chiesto di trovare semplicemente il pesce, hanno ottenuto ottimi risultati, riuscendo a individuarli anche quando le immagini erano nuove e mai viste prima. Tuttavia, quando il compito richiedeva al computer di identificare anche il tipo specifico di pesce, le prestazioni sono diminuite significativamente. Il miglior modello ha migliorato la sua accuratezza da un livello moderato nell'identificare le specie a un livello molto più alto quando doveva solo trovare il pesce. Ciò indica che, sebbene i computer stiano diventando molto bravi a notare che un pesce è presente, distinguere una specie dall'altra rimane una sfida molto più difficile nel complesso rumore visivo di una barriera.

Lo studio ha anche testato quanto bene questi modelli funzionerebbero in luoghi che non avevano mai visto prima. Quando i ricercatori hanno valutato i sistemi su immagini provenienti da diverse località di rilievo e diversi paesi, la capacità di identificare tipi specifici di pesci è calata sensibilmente. I modelli hanno faticato a generalizzare la propria conoscenza a nuovi ambienti quando venivano interrogati sul nome delle specie. Al contrario, la capacità di localizzare semplicemente i pesci è rimasta forte e affidabile in questi diversi contesti. Ciò suggerisce che, mentre gli strumenti automatizzati sono pronti ad aiutare a contare quanti pesci ci sono in un'area, fare affidamento su di essi per classificare le specie specifiche di pesci in una nuova regione richiede un ulteriore sviluppo. Il lavoro stabilisce un nuovo standard per misurare i progressi in questo campo, offrendo una base per la costruzione di strumenti più robusti che possano, in futuro, supportare il monitoraggio su larga scala della biodiversità delle barriere coralline nell'Oceano Indiano Occidentale.