ترجمه فارسی مقاله تشخیص حرکت حیوانات از رادار هواشناسی با استفاده از یادگیری خودنظارتی

چکیده

Detecting flying animals (e.g., birds, bats, and insects) using weather radar helps gain insights into animal movement and migration patterns, aids in management efforts (such as biosecurity) and enhances our understanding of the ecosystem.The conventional approach to detecting animals in weather radar involves thresholding: defining and applying thresholds for the radar variables, based on expert opinion. More recently, Deep Learning approaches have been shown to provide improved performance in detection. However, obtaining sufficient labelled weather radar data for flying animals to build learning-based models is time-consuming and labor-intensive. To address the challenge of data labelling, we propose a self-supervised learning method for detecting animal movement. In our proposed method, we pre-train our model on a large dataset with noisy labels produced by a threshold approach. The key advantage is that the pre-trained dataset size is limited only by the number of radar images available. We then fine-tune the model on a small human-labelled dataset. Our experiments on Australian weather radar data for waterbird segmentation show that the proposed method outperforms the current state-of-the art approach by 43.53% in the dice co-efficient statistic.

چکیده به فارسی (ترجمه ماشینی)

تشخیص حیوانات پرنده (به عنوان مثال ، پرندگان ، خفاش ها و حشرات) با استفاده از رادار آب و هوا به به دست آوردن بینش در مورد حرکت حیوانات و الگوهای مهاجرت ، کمک به تلاش های مدیریتی (مانند امنیت زیستی) کمک می کند و درک ما از اکوسیستم را تقویت می کند.رادار آب و هوا شامل آستانه است: تعیین و استفاده از آستانه برای متغیرهای رادار ، بر اساس نظر متخصص.اخیراً ، رویکردهای یادگیری عمیق نشان داده شده است که عملکرد بهبود یافته در تشخیص را ارائه می دهد.با این حال ، به دست آوردن داده های رادار آب و هوا به اندازه کافی برای حیوانات پرنده برای ساختن مدلهای مبتنی بر یادگیری ، وقت گیر و پر کار است.برای پرداختن به چالش برچسب زدن به داده ها ، ما یک روش یادگیری خود سنجی برای تشخیص حرکت حیوانات پیشنهاد می کنیم.در روش پیشنهادی ما ، ما مدل خود را در یک مجموعه داده بزرگ با برچسب های پر سر و صدا تولید شده توسط یک روش آستانه از قبل ردیابی می کنیم.مزیت اصلی این است که اندازه مجموعه داده از پیش آموزش داده شده فقط با تعداد تصاویر راداری موجود محدود است.سپس مدل را روی یک مجموعه داده کوچک با برچسب انسان تنظیم می کنیم.آزمایشات ما در مورد داده های رادار هواشناسی استرالیا برای تقسیم آب و آب نشان می دهد که روش پیشنهادی از رویکرد فعلی ART با 43.53 ٪ در آمار همزمان تاس استفاده می کند.