Catalogus

Zoeken

Zoeken kan via de modus 'eenvoudig zoeken' (één veld) of uitgebreid via 'geavanceerd zoeken' (meerdere velden). Zo kan je bv. zoeken op een combinatie van een auteursnaam (auteur), een jaartal (jaar) en een documenttype.

Boekenmand

Nuttige resultaten kan je aanvinken en toevoegen aan een mandje. De inhoud hiervan kan je exporteren of afdrukken (naar bv. PDF).

RSS

Op de hoogte blijven van nieuw toegevoegde publicaties binnen uw interessegebied? Dit kan door een RSS-feed (?) te maken van jouw zoekopdracht.

log in

Publicaties | Kaarten

nieuwe zoekopdracht

[ meld een fout in dit record ]

mandje (0): toevoegen | toon

---

Using deep-learning for automatic identification of images of marine benthic macro-invertebrate bycatch: a proof of concept Martin, A.; Rosset, N.; Blettery, J.; Gousseau, Y. (2023). Using deep-learning for automatic identification of images of marine benthic macro-invertebrate bycatch: a proof of concept. Cybium 47(3): 335-341. https://dx.doi.org/10.26028/cybium/2023-021 In: Cybium. Muséum national d'Histoire naturelle: Paris. ISSN 0399-0974; e-ISSN 2101-0315

---

Beschikbaar in	Auteurs
VLIZ: Non-open access 396979 [ aanvragen ]

---

Trefwoord

Marien/Kust

Author keywords

Annotated image collection - Automatic identification - Benthos - Bycatch - Deep-learning - Fisheries - Images - Kerguelen - Macro-invertebrates - Southern Ocean

---

Auteurs		Top
Martin, A. Rosset, N. Blettery, J. Gousseau, Y.

---

Abstract

We applied a deep-learning approach in order to develop a neural network able to detect and identify macro-invertebrate organisms within images of benthos bycatch collected in the Southern Ocean. We used the Faster RCNN architecture and fine-tuning approach. To perform the transfer-learning, we used an annotated dataset of 59,756 images of organisms identified within 1,845 images of lots, covering eleven taxa: Echinodermata, Asteroidea, Arthropoda, Annelida, Chordata, Hemichordata, Cnidaria, Porifera, Bryozoa, Brachiopoda and Mollusca. The resulting network, not yet efficient enough to obtain precise identifications, is able to provide detection and classification of organisms with a good level of accuracy considering the limited quality of the images used for training. We present this study as a proof of concept for teams involved in the management of collections of macro-invertebrate images.

---

Alle informatie in het Integrated Marine Information System (IMIS) valt onder het VLIZ Privacy beleid

Top | Auteurs