Ricercatori dell’Università di Chosun Introducono un Quadro di Apprendimento Automatico per la Localizzazione Precisa dei Coralli Sbiancati Utilizzando la Classificazione di Caratteristiche Visive Bag-of-Hybrid

Ricercatori dell'Università di Chosun Presentano un Quadro di Apprendimento Automatico per la Rilevazione Accurata dei Coralli Sbiancati Utilizzando la Classificazione di Caratteristiche Visive Bag-of-Hybrid

L’ambiente marino più diversificato sulla Terra si dice che si trovi nelle barriere coralline. Oltre 4.000 specie di pesci possono essere trovate nelle barriere coralline, che ospitano circa il 25% di tutte le forme di vita marine. Nel corallo, l’alga parassita sottomarina, o zooxantelle, produce strutture vibranti di carbonato di calcio note come barriere coralline. Quando la temperatura dell’acqua aumenta e le alghe scappano dai tessuti del corallo, la barriera corallina sbianca. Lo sbiancamento delle barriere coralline è legato a diversi problemi ambientali ed economici. A causa dell’estremamente alta temperatura di superficie del mare (SST) estiva, il riscaldamento globale è la causa principale dello sbiancamento. Nella Grande Barriera Corallina dell’Australia nel 2016, lo sbiancamento ha ucciso dal 29% al 50% del corallo.

Inoltre, lo sbiancamento aumenta i livelli di CO2 nei mari del mondo ogni giorno, rendendo l’ambiente più acido e rendendo più difficile la formazione di scheletri per altri coralli e forme di vita marine. Le barriere coralline sono il luogo di numerosi esseri viventi marini e contengono molte sostanze medicinali che possono curare molte delle malattie più gravi del mondo. Monitorare ed esaminare l’ecologia marina è necessario per mitigare le conseguenze dei cambiamenti climatici. A causa degli artefatti e del rumore ambientale nell’immagine sottomarina, il sistema di visione artificiale trova difficoltà a discriminare tra l’elemento target in primo piano e lo sfondo. Pertanto, sono state create tecniche per migliorare le immagini subacquee.

Trasformando inizialmente le foto nel modello HSI e poi estendendo i componenti di saturazione e intensità dell’immagine, il modello di colore integrato (ICM) e il metodo di correzione del colore non supervisionato (UCM) migliorano il contrasto. I ricercatori che studiano l’intelligenza artificiale (AI) vogliono creare un modo affidabile ed efficiente dal punto di vista computazionale per individuare le barriere coralline sbiancate. Tuttavia, le differenze di illuminazione, dimensioni, orientamento, prospettive, occlusioni e disordine dello sfondo degradano le prestazioni dei loro modelli di localizzazione. La profondità della telecamera, la posizione del supporto e le fonti di luce in fluttuazione nell’area di sorveglianza sono responsabili dei cambiamenti nella scala, nella prospettiva e nell’illuminazione dell’oggetto.

I ricercatori della Chosun University in questo progetto mirano a creare metodi di estrazione delle caratteristiche di apprendimento profondo e fatte a mano che possono resistere alle varianze geometriche e visive presenti nelle foto degli ambienti marittimi. Mentre le caratteristiche basate sull’aspetto includono la texture e i dettagli di colore di un oggetto, le caratteristiche geometriche si basano principalmente sulla distribuzione locale di curve e bordi che formano la forma di un oggetto all’interno dell’immagine. Le variazioni di illuminazione, dimensioni, orientamento, prospettive, occlusioni e disordine dello sfondo influenzano le caratteristiche di aspetto e geometria. Nella maggior parte dei compiti di classificazione, gli estrattori di caratteristiche manuali vengono sostituiti dai modelli di rete neurale profonda (DNN).

A causa della loro indipendenza di dominio e dell’ampio addestramento del set di dati, le reti neurali profonde (DNN) come ResNet, DenseNet, VGGNet e i modelli Inceptions raggiungono prestazioni senza precedenti in varie applicazioni. Poiché ci sono meno esempi di barriere coralline sbiancate nei set di dati attuali, la DNN sovra-addestra, compromettendo la robustezza e l’unicità delle caratteristiche. Tuttavia, la robustezza e l’unicità delle caratteristiche fatte a mano sono indipendenti dalla forza dei dati di addestramento. L’invarianza delle caratteristiche fatte a mano è comunque influenzata dai cambiamenti di profondità, luce sott’acqua e torbidità dell’acqua, anche con robustezza al rumore. Il progetto mira a creare un modello di estrazione delle caratteristiche invarianti che sia resistente ai cambiamenti nella geometria e fotometria delle immagini coralline.

Il framework suggerito utilizza tecniche ibride fatte a mano e DNN per estrarre le caratteristiche grezze, e poi il BoF riduce e introduce maggiore invarianza per aumentare l’accuratezza della classificazione. Il modello suggerito utilizza caratteristiche locali dell’immagine anziché caratteristiche globali per migliorare l’invarianza fotometrica. Inoltre, l’utilizzo dell’architettura suggerita di un set di funzionalità diminuisce la dimensione del vettore di caratteristiche ibride grezze, riducendo la complessità e il bisogno di spazio di archiviazione. Dopo numerosi tentativi ed errori, sono state determinate la dimensione ideale della patch, la dimensione del cluster, la combinazione del kernel e il classificatore.