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

Para compreender a saúde de um recife de coral, os cientistas frequentemente observam os peixes que nadam acima dele. A variedade e o número de diferentes espécies presentes atuam como um boletim escolar vivo para o ecossistema, revelando se o recife está prosperando ou enfrentando dificuldades. Durante décadas, pesquisadores dependeram de mergulhadores para nadar ao longo do recife, contar os peixes que viam e anotar o que encontravam. Esse trabalho manual é lento, caro e difícil de escalar para cobrir as vastas extensões do oceano que precisam de monitoramento. Nos últimos anos, os computadores começaram a aprender como detectar esses peixes automaticamente em vídeos subaquáticos, oferecendo uma maneira de acelerar o processo. No entanto, para que esses programas de computador aprendam de forma eficaz, eles precisam ser treinados em grandes coleções de imagens do mundo real, onde cada peixe foi cuidadosamente identificado por um humano. Tais coleções têm sido raras, especialmente para o Oceano Índico Ocidental, deixando uma lacuna em nossa capacidade de monitorar esses habitats críticos com tecnologia moderna.

Um novo estudo aborda essa lacuna ao introduzir uma coleção massiva e de alta qualidade de imagens subaquáticas especificamente projetada para ensinar computadores a encontrar e identificar peixes de recife. Os pesquisadores compilaram mil fotografias ultra nítidas, cada uma capturando uma visão ampla do recife conforme um mergulhador a veria durante um levantamento padrão. Essas imagens não são apenas instantâneos; elas são acompanhadas por milhares de contornos precisos desenhados ao redor de peixes individuais, marcando exatamente onde cada um está e qual é o seu tipo. O conjunto de dados abrange vinte e quatro grupos diferentes de peixes, preservando a forma complexa como esses animais vivem juntos em seu ambiente natural. Ao tornar este recurso público, a equipe forneceu um campo de treinamento realista para ferramentas de visão computacional, indo além de simples testes de laboratório para a realidade desordenada e lotada de um recife de coral.

A equipe utilizou essas imagens para testar o quão bem nove modelos de computador diferentes poderiam desempenhar duas tarefas específicas. A primeira tarefa exigia que o computador encontrasse um peixe e nomeasse seu tipo específico, um processo conhecido como detecção consciente da classe (class-aware detection). A segunda tarefa pedia ao computador apenas para encontrar onde um peixe estava localizado, sem a necessidade de saber sua espécie exata, o que chamaram de localização agnóstica à classe (class-agnostic localization). Os resultados mostraram uma diferença clara de desempenho. Quando os computadores eram solicitados apenas a encontrar o peixe, eles tiveram um desempenho muito bom, localizando-os com sucesso mesmo quando as imagens eram novas e inéditas. No entanto, quando a tarefa exigia que o computador também identificasse o tipo específico de peixe, o desempenho caiu significadamente. O melhor modelo melhorou sua precisão de um nível moderado ao identificar espécies para um nível muito mais alto quando precisava apenas encontrar os peixes. Isso indica que, embora os computadores estejam se tornando muito bons em notar que um peixe está presente, distinguir uma espécie de outra continua sendo um desafio muito maior no ruído visual complexo de um recife.

O estudo também testou o quão bem esses modelos funcionariam em lugares que nunca haviam visto antes. Quando os pesquisadores avaliaram os sistemas em imagens de diferentes locais de levantamento e de diferentes países, a capacidade de identificar tipos específicos de peixes falhou visivelmente. Os modelos tiveram dificuldade em generalizar seu conhecimento para novos ambientes quando solicitados a nomear as espécies. Em contraste, a capacidade de simplesmente localizar os peixes permaneceu forte e confiável através desses diferentes cenários. Isso sugere que, embora as ferramentas automatizadas estejam prontas para ajudar a contar quantos peixes existem em uma área, confiar nelas para classificar os tipos específicos de peixes em uma nova região exige maior desenvolvimento. O trabalho estabelece um novo padrão para medir o progresso neste campo, oferecendo uma base para a construção de ferramentas mais robustas que possam, eventualmente, apoiar o monitoramento em larga escala da biodiversidade dos recifes de coral no Oceano Índico Ocidental.