Hierarchical neural-network ensembles for shark detection and classification

Gli squali sono eccellenti indicatori della salute degli oceani e un’appropriata conservazione di questa specie dipende da una ben informata valutazione della popolazione. Sondaggi scientifici e controllo della pesca risultano essere metodi adeguati per definire lo stato della popolazione, ma indici che misurano la ricchezza e la distribuzione degli squali negli oceani sono difficilmente ottenibili da queste fonti per molte specie. Per questo motivo incrementare il monitoraggio con tecniche di machine learning risulta utile per gli studiosi di diverse aree scientifiche. In un lavoro precedente (Jenrette et al. Shark detection and classification with Machine Learning) si è riusciti ad ottenere accuracy intorno al 70% nella classificazione delle specie. Questo metodo è stato migliorato, in collaborazione con I ricercatori che hanno sviluppato il progetto sopracitato, sostituendo le reti neurali di classificazione e localizzazione con ensembles di CNNs rese parzialmente indipendenti attraverso la modifica delle funzioni di attivazione.

Sharks are excellent indicators of ocean environmental health and suitable shark’s conservation depends on well-informed population assessments. Scientific surveys and fisheries monitoring are adequate to define population status, but species-specific indices of abundance and distribution, coming from this source, are rare for most shark species. That is the reason why boost media-based remote monitoring with machine learning helps scientists of several areas. Previous work (Jenrette et al. Shark detection and classification with Machine Learning) based on hierarchical locators and classifiers reaches about 70% species-classification accuracy. We managed to improve this method by replacing every classifier with an ensemble composed of CNNs that have been trained with several activation functions.