تغییر دریا: هدف WildFin بهبود تجزیه و تحلیل رفتار ماهی در طبیعت است

ویرایش شده توسط Sadie Harley، بررسی توسط Andrew Zinin

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

ابیگیل گراسیک در سال اول تحقیقات دکترای خود، ساعت‌ها ویدئوی زیر آب را جمع‌آوری کرد، در حالی که جوامع ماهی‌هایی را که روی بومی‌ها زندگی می‌کردند - توده‌های مرجانی جداگانه - در بستر دریا در سواحل کوراسائو مطالعه می‌کرد.

او که کاندیدای دکترا در رشته زیست شناسی محاسباتی بود، سعی کرد با استفاده از مدل های بینایی کامپیوتری رفتارهای گونه های خاص ماهی را به طور خودکار شناسایی کند. اما مدل‌های موجود شکست خوردند – آن‌ها حتی نمی‌توانستند روی یک ماهی تک‌تک بزنند، چه رسد به اینکه تشخیص دهند چه زمانی در حال تغذیه یا تلاش برای فرار از شکارچی هستند.

برای کمک به هموار کردن راه برای مدل‌های بهتر، Grassick و تیمی از محققان و همکاران کورنل WildFin را ایجاد کردند، مجموعه داده‌ای متشکل از 9 ساعت ویدیو که فریم به فریم با رفتارهای ماهی برچسب‌گذاری کردند. آنها امیدوارند دانشمندان کامپیوتر از این ویدئو برای توسعه و آزمایش مدل هایی استفاده کنند که رفتار ماهی ها را بهتر تفسیر می کند، و از بوم شناسان همکار دعوت می کنند تا فیلم های میدانی خود را برای کمک به این تلاش منتشر کنند.

Grassick کار خود را با عنوان "WildFin: An In-the-Wild Dataset for Fish Behavioral Recognition" در کنفرانس اروپایی بینایی کامپیوتر در 8 سپتامبر در مالمو، سوئد ارائه کرد. این اثر همچنین در سرور preprint arXiv منتشر شده است.

اندرو هین، دانشیار زیست شناسی محاسباتی در کالج کشاورزی و علوم زیستی و یکی از نویسندگان این مطالعه، گفت که مدل های موجود عملکرد ضعیفی دارند زیرا بر روی تصاویر بسیار کمی از حیات وحش آموزش دیده اند. "مردم در حال آموزش این مدل‌های بینایی کامپیوتری بر روی داده‌های مقیاس اینترنت هستند. خوب، چه کسری از داده‌های مقیاس اینترنت، تصاویر علمی هستند؟ پاسخ این است که این یک کسری کوچک است."

مدل‌های بینایی رایانه‌ای بهتر نه تنها به اکولوژیست‌ها اجازه می‌دهد تا به سؤالات خود پاسخ مؤثرتری بدهند، بلکه محققان را قادر می‌سازد تا از ویدیوهای علمی شهروندی و داده‌های جمع‌سپاری شده از پلت‌فرم‌های طبیعت‌گرا برای نظارت بر سلامت اکوسیستم‌ها و ثبت رخداد گونه‌های نادر استفاده کنند.

هین گفت: «امید من این است که ما واقعا بتوانیم ارزش فیلم‌های علمی شهروندی را باز کنیم و به زیست‌شناسانی که در تمام این مکان‌های شگفت‌انگیز در سراسر جهان می‌روند اجازه دهیم تا مقدار داده‌هایی را که می‌توانیم از طریق این سفرهای بسیار پرهزینه و زمان‌بر به دست آوریم، به میزان قابل توجهی افزایش دهند.»

هاین و گراسیک با جنیفر سان، استادیار علوم کامپیوتر در کالج علوم کامپیوتر و اطلاعات کورنل آن اس.باورز همکاری کردند. سان با موفقیت از مدل‌های بینایی کامپیوتری برای تفسیر رفتار حیوانات در آزمایشگاه استفاده کرده بود. اما فیلم ضبط شده در طبیعت، با نوارهای ماهی چرخان، نور متغیر و تغییر زاویه دوربین، چالش بزرگتری بود.

سان گفت: «وقتی برای اولین بار با اندرو صحبت کردم، هرگز پیش بینی نمی کردم که تجزیه و تحلیل ویدیوهای او چقدر سخت است. او صدها ماهی دارد، و سخت است که بدانیم آیا حتی در قاب‌های بعدی هم همین ماهی است یا خیر.

گراسیک و تیمی از دانشجویان کارشناسی، با انتخاب از بین فهرستی از رفتارها، فیلم‌های بومی را حاشیه‌نویسی کردند تا فهرستی از کارهایی که ماهی‌ها در هر فریم انجام می‌دهند - مانند جستجوی غذا، غذا دادن یا جنگیدن. آنها همچنین شامل فیلمی بودند که در آن یک غواص یک ماهی را در کف دریا ردیابی می‌کرد - مشابه ویدیوهایی که غواصان در تعطیلات گرفته‌اند - تا ببینند مدل‌ها چگونه با انواع مختلف فیلم‌ها برخورد می‌کنند.

این ویدیوها توسط همکاران دانشگاه کلرادو بولدر جمع آوری و حاشیه نویسی شده است. همه ویدئوها از سایت های مختلف در سواحل کوراسائو آمده است.

Grassick گفت که ایجاد WildFin فوق العاده وقت گیر بود. محققان حدود 1400 ساعت را در میدان و 600 ساعت را به حاشیه نویسی اختصاص دادند که در نهایت تنها 9 ساعت فیلم به دست آمد.

محققان سعی کردند از این فیلم برای تنظیم دقیق چندین مدل بینایی کامپیوتری استاندارد برای طبقه بندی رفتار ماهی استفاده کنند، اما عملکرد آنها همچنان ضعیف بود.

اکنون که محققان این شکاف را در فناوری بینایی رایانه ای شناسایی کرده اند، امیدوارند کارشناسان از این مجموعه داده ها و تجزیه و تحلیل به عنوان نقطه شروعی برای ایجاد مدل های بهبود یافته برای مطالعه رفتار ماهی استفاده کنند.

گراسیک گفت: «این یک مشکل چند رشته ای است که باید به آن رسیدگی شود. "شما به افراد آمار، افراد یادگیرنده ماشین و بوم شناسان نیاز دارید که همه با هم کار کنند تا بفهمند چگونه می توان این فرآیند را کم هزینه تر کرد و چگونه همچنان به سوالات ما پاسخ داد."

آنها همچنین از اکولوژیست‌ها در همه جا دعوت می‌کنند تا ویدئوهایی را از کار میدانی خود بیرون بیاورند - بیشتر آنها روی هارد دیسک‌های موجود در قفسه‌های آزمایشگاهی - برای ارائه داده‌های آموزشی برای مدل‌های جدید. فقط پاک کردن این داده ها به خودی خود یک چالش است، بنابراین Sun تصور می کند که عوامل هوش مصنوعی می توانند آنها را به یک قالب مفید تبدیل کنند.

سان می‌گوید: «اگر این مجموعه داده‌ها به‌محض تجزیه و تحلیل انسان‌ها به‌طور خودکار دریافت شوند، به نوعی می‌توانند دوباره زنده شوند.

Abigail G. Grassick و همکاران، WildFin: یک مجموعه داده درون وحشی برای تشخیص رفتار ماهی، arXiv (2026). DOI: 10.48550/arxiv.2608.21281

کارشناسی علوم زیستی و اکولوژی. پیشینه آزمایشگاه میکروبیولوژی با تجربه اخبار دارویی در صنایع نفت، گاز و تجدیدپذیر. نمایه کامل →

فوق لیسانس فیزیک با تجربه تحقیق. علاقه مندان به اخبار علمی طولانی مدت. نقش کلیدی در موفقیت سرمقاله Science X ایفا می کند. نمایه کامل →