Les chercheurs de l’Université Chosun présentent un cadre d’apprentissage automatique pour la localisation précise des coraux blanchis en utilisant la classification des caractéristiques visuelles à base de sacs hybrides.

Les chercheurs de l'Université Chosun dévoilent un modèle d'apprentissage automatique permettant la localisation précise des coraux blanchis grâce à la classification des caractéristiques visuelles basée sur les sacs hybrides.

Le milieu marin le plus diversifié de la Terre se trouve dans les récifs coralliens. Plus de 4 000 espèces de poissons peuvent être trouvées dans les récifs coralliens, qui abritent environ 25% de toute la vie marine. Dans le corail, des algues parasites sous-marines, ou zooxanthelles, produisent des structures vibrantes de carbonate de calcium appelées récifs. Lorsque la température de l’eau augmente et que les algues s’échappent des tissus coralliens, le récif corallien blanchit. Le blanchiment des récifs coralliens est lié à plusieurs problèmes environnementaux et économiques. En raison de la température de surface de l’océan extrêmement élevée en été, le réchauffement climatique est la cause principale du blanchiment. Dans la Grande Barrière de corail en Australie en 2016, le blanchiment a tué de 29 à 50% des coraux.

De plus, le blanchiment fait augmenter quotidiennement les niveaux de CO2 dans les mers du monde, rendant l’environnement plus acide et rendant plus difficile la formation de squelettes pour les autres coraux et la vie marine. Les récifs abritent diverses formes de vie marine et contiennent de nombreuses substances médicinales qui peuvent traiter de nombreuses maladies graves dans le monde. La surveillance et l’étude de l’écologie marine sont nécessaires pour atténuer les conséquences du changement climatique. En raison des artefacts et du bruit ambiant dans l’image sous-marine, le système de vision par ordinateur trouve difficile de faire la distinction entre l’élément cible à l’avant-plan et l’arrière-plan. Ainsi, des techniques pour améliorer les images sous-marines ont été créées.

En transformant d’abord les photos en modèle HSI, puis en étendant les composantes de saturation et d’intensité de l’image, le modèle de couleur intégré (ICM) et la méthode de correction de couleur non supervisée (UCM) améliorent le contraste. Les chercheurs qui étudient l’intelligence artificielle (IA) souhaitent créer un moyen fiable et efficace sur le plan informatique pour localiser les récifs coralliens blanchis. Cependant, les différences d’éclairage, de taille, d’orientation, de perspective, d’occultations et de confusion d’arrière-plan dégradent les performances de leurs modèles de localisation. La profondeur de la caméra, l’emplacement du support et les sources de lumière fluctuantes dans la zone de surveillance sont responsables des changements d’échelle, de perspective et d’éclairage de l’objet.

• Découvrez Tarsier une bibliothèque Open Source en Python pour permettre l’interaction avec des LLM multimodaux tels que GPT4 sur le web.
• Les chercheurs de l’UC Berkeley proposent un algorithme d’intelligence artificielle qui réalise l’acquisition zéro-shot d’agents de dialogue orientés vers un objectif.
• Cet article sur l’IA présente LCM-LoRA Révolutionner les tâches génératives de texte vers image grâce à des modèles de cohérence latente avancés et à la distillation de LoRA.

Les chercheurs de l’Université Chosun de ce projet visent à créer des méthodes d’apprentissage en profondeur et d’extraction de caractéristiques faites à la main qui peuvent résister aux variations géométriques et visuelles présentes dans les photos des environnements maritimes. Alors que les caractéristiques basées sur l’apparence comprennent la texture d’un objet et les détails de couleur, les caractéristiques géométriques reposent principalement sur la distribution locale des courbes et des arêtes qui forment la forme d’un objet à l’intérieur de l’image. Les variations d’éclairage, de taille, d’orientation, de perspective, d’occultations et de confusion d’arrière-plan affectent les caractéristiques de l’apparence et de la géométrie. Dans la plupart des tâches de classification, les extracteurs de caractéristiques manuels sont remplacés par des modèles de réseaux neuronaux profonds (DNN).

Grâce à leur indépendance de domaine et à leur formation sur des ensembles de données étendus, les réseaux neuronaux profonds (DNN) tels que ResNet, DenseNet, VGGNet et Inceptions obtiennent des performances inégalées dans diverses applications. Parce qu’il y a moins d’exemples de coraux blanchis dans les ensembles de données actuels, le DNN surajuste, ce qui compromet la robustesse et l’unicité des caractéristiques. Cependant, la robustesse et l’unicité de la caractéristique faite à la main sont indépendantes de la qualité des données d’entraînement. L’invariance de la caractéristique faite à la main est néanmoins affectée par les changements de profondeur, de lumière sous-marine et de turbidité de l’eau, même avec une robustesse au bruit. Le projet vise à créer un modèle d’extraction de caractéristiques invariantes résistant aux changements de géométrie et de photométrie des images de coraux.

Le cadre suggéré utilise des techniques hybrides faites à la main et DNN pour extraire des caractéristiques brutes, puis le BoF réduit et introduit plus d’invariance pour augmenter la précision de la classification. Le modèle suggéré utilise des caractéristiques locales de l’image plutôt que des caractéristiques globales pour améliorer l’invariance photométrique. De plus, l’utilisation d’un modèle de sac de caractéristiques dans l’architecture suggérée réduit la dimension du vecteur hybride de caractéristiques brutes, ce qui réduit la complexité et les besoins de stockage. Après de nombreux essais et erreurs, le patch idéal, la taille du cluster, la combinaison des noyaux et le classificateur ont été déterminés.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!