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

Om de gezondheid van een koraalrif te begrijpen, kijken wetenschappers vaak naar de vissen die er erboven zwemmen. De variëteit en het aantal verschillende soorten die aanwezig zijn, fungeren als een levend rapportcijfer voor het ecosysteem, dat onthult of het rif floreert of worstelt. Decennialang hebben onderzoekers vertrouwd op duikers die langs het rif zwommen, de vissen telden die ze zagen en opschreven wat ze hadden gevonden. Dit handmatige werk is traag, duur en moeilijk op te schalen om de enorme uitgestrektheid van de oceanen te dekken die monitoring nodig hebben. In de afgelopen jaren zijn computers begonnen te leren hoe ze deze vissen automatisch kunnen herkennen in onderwatervideo's, wat een manier biedt om het proces te versnellen. Echter, om deze computerprogramma's effectief te laten leren, moeten ze worden getraind op grote collecties van echte afbeeldingen waarbij elke vis zorgvuldig door een mens is geïdentificeerd. Dergelijke collecties zijn zeldzaam geweest, vooral voor de West-Indische Oceaan, wat een gat heeft achtergelaten in ons vermogen om deze cruciale habitats met moderne technologie te monitoren.

Een nieuwe studie pakt dit gat aan door een massale, hoogwaardige collectie onderwaterbeelden te introduceren, specif으로 ontworpen om computers te leren hoe ze rifvissen kunnen vinden en identificeren. De onderzoekers hebben duizend ultraheldere foto's samengesteld, elk met een breed beeld van het rif, zoals een duiker het zou zien tijdens een standaardverkenning. Deze beelden zijn niet slechts momentopnames; ze worden vergezeld door duizenden precieze contouren die rond individuele vissen zijn getekend, waarmee exact wordt aangegeven waar elke vis zich bevindt en wat voor soort het is. De dataset beslaat vierentwintig verschillende groepen vissen, waardoor de complexe manier waarop deze dieren samenleven in hun natuurlijke omgeving behouden blijft. Door deze bron publiekelijk beschikbaar te maken, heeft het team een realistisch trainingsveld geboden voor computer vision-tools, waarbij zij verder gaan dan eenvoudige laboratoriumtests naar de rommelige, drukke realiteit van een koraalrif.

Het team gebruikte deze beelden om te testen hoe goed negen verschillende computermodellen twee specifieke taken konden uitvoeren. De eerste taak vereiste dat de computer een vis vond en de specifieke soort benoemde, een proces dat bekend staat als class-aware detection. De tweede taak vroeg de computer alleen om te vinden waar een vis zich bevond, zonder de exacte soort te hoeven weten, wat zij class-agnostic localization noemden. De resultaten toonden een duidelijk verschil in prestaties. Wanneer de computers de opdracht kregen om simpelweg de vis te vinden, presteerden ze zeer goed en lokaliseerden ze de vissen succesvol, zelfs wanneer de afbeeldingen nieuw en onbekend waren. Echter, wanneer de taak vereiste dat de computer ook de specifieke soort van de vis identificeerde, daalde de prestatie aanzienlijk. Het beste model verbeterde de nauwkeurigheid van een gemiddeld niveau bij het identificeren van soorten naar een veel hoger niveau wanneer het alleen de vis hoefde te vinden. Dit geeft aan dat hoewel computers steeds beter worden in het opmerken dat er een vis aanwezig is, het onderscheiden van de ene soort van de andere een veel moeilijkere uitdaging blijft in de complexe visuele ruis van een rif.

De studie testte ook hoe goed deze modellen zouden werken op plaatsen die ze nog nooit eerder hadden gezien. Wanneer de onderzoekers de systemen evalueerden op afbeeldingen van verschillende verkenningslocaties en verschillende landen, nam het vermogen om specifieke vissoorten te identificeren merkbaar af. De modellen hadden moeite om hun kennis te generaliseren naar nieuwe omgevingen wanneer ze gevraagd werd de soort te benoemen. In contrast hiermee bleef het vermogen om de vissen simpelweg te lokaliseren sterk en betrouwbaar in deze verschillende omgevingen. Dit suggereert dat hoewel geautomatiseerde tools klaar zijn om te helpen bij het tellen van hoeveel vissen er in een gebied zijn, het vertrouwen op hen om door de specifieke soorten vissen in een nieuwe regio te sorteren, verdere ontwikkeling vereist. Het werk vestigt een nieuwe standaard voor het meten van vooruitgang in dit veld en biedt een fundament voor het bouwen van robuustere tools die uiteindelijk de grootschalige monitoring van de biodiversiteit van koraalriffen in de West-Indische Oceaan kunnen ondersteunen.