ترجمه فارسی مقاله SharkTrack: یک نرم‌افزار دقیق و قابل تعمیم برای ساده‌سازی تجزیه و تحلیل ویدیوی کوسه‌ها و سفره‌ماهی‌ها در زیر آب

چکیده

Elasmobranchs (sharks and rays) can be important components of marine ecosystems but are experiencing global population declines. Effective monitoring of these populations is essential to their protection. Baited Remote Underwater Video Stations (BRUVS) have been a key tool for monitoring, but require time-consuming manual analysis. To address these challenges, we developed SharkTrack, an AI-enhanced BRUVS analysis software. SharkTrack uses Convolutional Neural Networks and Multi-Object Tracking to detect and track elasmobranchs and provides an annotation pipeline to manually classify elasmobranch species and compute MaxN, the standard metric of relative abundance. We tested SharkTrack on BRUVS footage from locations unseen by the model during training. SharkTrack computed MaxN with 89% accuracy over 207 hours of footage. The semi-automatic SharkTrack pipeline required two minutes of manual classification per hour of video, a 97% reduction of manual BRUVS analysis time compared to traditional methods, estimated conservatively at one hour per hour of video. Furthermore, we demonstrate SharkTrack application across diverse marine ecosystems and elasmobranch species, an advancement compared to previous models, which were limited to specific species or locations. SharkTrack applications extend beyond BRUVS analysis, facilitating rapid annotation of unlabeled videos, aiding the development of further models to classify elasmobranch species. We provide public access to the software and an unprecedentedly diverse dataset, facilitating future research in an important area of marine conservation.

چکیده به فارسی (ترجمه ماشینی)

elasmobranchs (کوسه ها و پرتوهای) می توانند مؤلفه های مهم اکوسیستم های دریایی باشند اما در حال کاهش جمعیت جهانی هستند.نظارت مؤثر بر این جمعیت برای محافظت از آنها ضروری است.ایستگاه های ویدئویی از راه دور از راه دور (BRUV) ابزاری اصلی برای نظارت بوده است ، اما نیاز به تجزیه و تحلیل دستی وقت گیر دارند.برای پرداختن به این چالش ها ، ما Sharktrack ، یک نرم افزار تجزیه و تحلیل BRUV با پیشرفت AI را توسعه دادیم.Sharktrack از شبکه های عصبی Convolutional و ردیابی چند شیء برای تشخیص و ردیابی Elasmobranchs استفاده می کند و یک خط لوله حاشیه نویسی را برای طبقه بندی دستی گونه های Elasmobranch و محاسبه MAXN ، معیار استاندارد فراوانی نسبی فراهم می کند.ما Sharktrack را در فیلم های BRUVS از مکانهایی که توسط مدل در طول آموزش مشاهده نشده اند ، آزمایش کردیم.Sharktrack MaxN را با دقت 89 ٪ بیش از 207 ساعت فیلم محاسبه کرد.خط لوله نیمه اتوماتیک Sharktrack به دو دقیقه طبقه بندی دستی در هر ساعت فیلم نیاز داشت ، کاهش 97 ٪ زمان تجزیه و تحلیل BRUV دستی در مقایسه با روش های سنتی ، تخمین زده می شود در یک ساعت در ساعت فیلم.علاوه بر این ، ما کاربرد Sharktrack را در بین اکوسیستم های دریایی متنوع و گونه های Elasmobranch نشان می دهیم ، پیشرفت در مقایسه با مدل های قبلی ، که محدود به گونه ها یا مکان های خاص بودند.برنامه های Sharktrack فراتر از تجزیه و تحلیل BRUV ، تسهیل حاشیه نویسی سریع فیلم های بدون برچسب ، کمک به توسعه مدل های بیشتر برای طبقه بندی گونه های Elasmobranch.ما دسترسی عمومی به نرم افزار و مجموعه داده های بی سابقه ای متنوع را فراهم می کنیم و تحقیقات آینده را در یک منطقه مهم از حفاظت از دریایی تسهیل می کنیم.