Incontra FathomNet un database di immagini open-source che utilizza algoritmi di intelligenza artificiale e apprendimento automatico per aiutare a elaborare il backlog di dati visivi per la comprensione del nostro oceano e dei suoi abitanti.

FathomNet è un database di immagini open-source che usa l'intelligenza artificiale per analizzare i dati visivi dell'oceano e dei suoi abitanti.

L’oceano sta cambiando a un ritmo senza precedenti, rendendo difficile mantenere una gestione responsabile mentre si monitorano visivamente immense quantità di dati marini. La quantità e la velocità di raccolta dei dati necessari stanno superando la nostra capacità di elaborarli e analizzarli rapidamente, poiché la comunità scientifica cerca delle basi. La mancanza di coerenza dei dati, la formattazione inadeguata e la richiesta di set di dati significativi e etichettati hanno contribuito al successo limitato dei recenti progressi nell’apprendimento automatico, che hanno permesso un’analisi dei dati visivi più rapida e complessa.

Per soddisfare questa esigenza, diverse istituzioni di ricerca hanno collaborato con MBARI per accelerare la ricerca oceanografica utilizzando le capacità dell’intelligenza artificiale e dell’apprendimento automatico. Un risultato di questa collaborazione è FathomNet, un database di immagini open source che utilizza algoritmi di elaborazione dati all’avanguardia per standardizzare e aggregare dati accuratamente selezionati e etichettati. Il team ritiene che l’utilizzo dell’intelligenza artificiale e dell’apprendimento automatico sia l’unico modo per accelerare gli studi critici sulla salute degli oceani e superare il collo di bottiglia per l’elaborazione delle immagini subacquee. I dettagli sul processo di sviluppo di questo nuovo database di immagini possono essere trovati in un recente articolo di ricerca nella rivista Scientific Reports.

L’apprendimento automatico ha storicamente trasformato il campo dell’analisi visiva automatizzata, in parte grazie a grandi volumi di dati annotati. Per le applicazioni terrestri, i dataset di riferimento a cui gli studiosi di apprendimento automatico e visione artificiale si rivolgono sono ImageNet e Microsoft COCO. Per fornire agli studiosi uno standard ricco e coinvolgente per l’analisi visiva subacquea, il team ha creato FathomNet. Al fine di creare una risorsa di addestramento di immagini subacquee liberamente accessibile e altamente mantenuta, FathomNet combina immagini e registrazioni provenienti da molte fonti diverse.

• I ricercatori presso l’Università di Michigan State hanno sviluppato ‘DANCE’, una libreria Python per supportare modelli di apprendimento profondo per l’analisi dell’espressione genica a livello di singola cellula su larga scala.
• Top Strumenti per la Semplificazione e Standardizzazione del Machine Learning
• 16 Strumenti di Intelligenza Artificiale per Accelerare il Tuo Lavoro

Gli operatori di ricerca del Video Lab di MBARI hanno annotato accuratamente dati che rappresentano quasi 28.000 ore di video di profondità e più di 1 milione di foto di profondità raccolte da MBARI durante 35 anni. Nel video library di MBARI sono presenti oltre 8,2 milioni di annotazioni che documentano osservazioni di animali, ecosistemi e oggetti. Questo dataset completo serve come strumento prezioso per i ricercatori dell’istituto e le loro collaborazioni internazionali. Oltre 1.000 ore di dati video sono state raccolte dall’Exploration Technology Lab della National Geographic Society da vari habitat marini e luoghi in tutti i bacini oceanici. Queste registrazioni sono state utilizzate anche nella piattaforma di analisi collaborativa basata su cloud sviluppata da CVision AI e annotate da esperti dell’Università delle Hawaii e OceansTurn.

Inoltre, nel 2010, il team di esplorazione oceanica della National Oceanic and Atmospheric Administration (NOAA) a bordo della nave Okeanos Explorer ha raccolto dati video utilizzando un sistema di veicoli operati a distanza. Per annotare in modo più estensivo i video raccolti, hanno iniziato a finanziare tassonomisti professionisti nel 2015. Inizialmente, hanno ottenuto annotazioni tramite la partecipazione volontaria di scienziati. Una parte del dataset di MBARI, così come i materiali della National Geographic e della NOAA, è incluso in FathomNet.

Poiché FathomNet è open source, altre istituzioni possono contribuire facilmente ad esso e utilizzarlo al posto dei metodi convenzionali più dispendiosi in termini di tempo e risorse per l’elaborazione e l’analisi dei dati visivi. Inoltre, MBARI ha avviato una iniziativa pilota per utilizzare modelli di apprendimento automatico addestrati su dati provenienti da FathomNet per analizzare video ripresi da veicoli sottomarini controllati a distanza (ROV). L’utilizzo di algoritmi di intelligenza artificiale ha aumentato la velocità di etichettatura di dieci volte e ha ridotto lo sforzo umano dell’81%. Gli algoritmi di apprendimento automatico basati sui dati di FathomNet potrebbero rivoluzionare l’esplorazione e il monitoraggio degli oceani. Un esempio di ciò è l’utilizzo di veicoli robotici dotati di telecamere e algoritmi di apprendimento automatico avanzati per la ricerca automatica e il monitoraggio della vita marina e di altre cose subacquee.

Con contributi continui, FathomNet attualmente conta 84.454 immagini che riflettono 175.875 localizzazioni provenienti da 81 diverse collezioni per 2.243 concetti. Il dataset avrà presto più di 200 milioni di osservazioni dopo aver ottenuto 1.000 osservazioni indipendenti per oltre 200.000 specie animali in posizioni e impostazioni di imaging diverse. Quattro anni fa, la mancanza di foto annotate impediva all’apprendimento automatico di esaminare migliaia di ore di filmati oceanici. Sbloccando scoperte e consentendo strumenti che esploratori, scienziati e il pubblico in generale possono utilizzare per accelerare il ritmo della ricerca oceanica, FathomNet trasforma questa visione in realtà.

FathomNet è un’ottima illustrazione di come la collaborazione e la scienza comunitaria possano promuovere innovazioni nella nostra comprensione dell’oceano. Il team ritiene che il dataset possa contribuire ad accelerare la ricerca oceanica quando la comprensione dell’oceano è più cruciale che mai, utilizzando i dati di MBARI e degli altri collaboratori come base. I ricercatori sottolineano anche il loro desiderio che FathomNet funzioni come una comunità in cui appassionati e esploratori degli oceani provenienti da tutte le sfere della vita possano condividere le loro conoscenze e competenze. Questo fungerà da trampolino di lancio per affrontare problemi con i dati visivi subacquei che altrimenti non sarebbero stati raggiungibili senza una partecipazione diffusa. Al fine di accelerare l’elaborazione dei dati visivi e creare un oceano sostenibile e sano, FathomNet viene costantemente migliorato per includere più dati etichettati dalla comunità.

Questo articolo è scritto come un riassunto di ricerca da Marktechpost Staff basato sul paper di ricerca ‘FathomNet: Un database globale di immagini per abilitare l’intelligenza artificiale nell’oceano’. Tutti i crediti per questa ricerca vanno ai ricercatori di questo progetto. Dai un’occhiata al paper, al tool e all’articolo di riferimento. Inoltre, non dimenticare di unirti al nostro subreddit di Machine Learning con oltre 26k iscritti, al canale Discord e alla newsletter via email, dove condividiamo le ultime notizie sulla ricerca di intelligenza artificiale, interessanti progetti di IA e altro ancora.

Il post Meet FathomNet: Un database di immagini open-source che utilizza algoritmi di intelligenza artificiale e machine learning per aiutare a elaborare il backlog di dati visivi per comprendere il nostro oceano e i suoi abitanti è apparso per primo su MarkTechPost.