In diesem Projekt wird Semi-Supervised Deep Learning angewendet um den Aufwand bei der Spezies-Klassifizierung von Wildtier-Fotofallenbildern zu reduzieren.
Machine Learning, Deep Learning, Semi-Supervised Learning, Contrastive Learning, Momentum Contrast, Python, Keras, Linux, High Performance Computing
Die Klassifizierung der Bildaufnahmen von Fotofallen-Datensätzen mit hunderttausenden von Bildern nach Spezies ist eine sehr zeitaufwändige Angelegenheit. Aktuell wird diese Arbeit beispielsweise von freiwilligen Laien geleistet. Mit Deep Learning wird bereits seit längerem versucht diese Arbeit zu automatisieren. Um die eingesetzten Supervised Deep Learning Modelle zu trainieren benötigen jedoch wiederum eine grosse Menge ähnlicher Daten, die bereits von Menschen klassifiziert wurden.
Im Rahmen dieser Projektarbeit wird untersucht, wie Semi- und Selfsupervised Deep Learning verwendet werden kann um auch Informationen aus unklassifizierten Bildern zu lernen und dadurch die benötigte Menge an manuell vorklassifizierten Trainingsdaten zu verringern.
Es konnte gezeigt werden, dass mit dem von Facebook Research entwickelten Momentum Contrast Verfahren bei geringen Mengen an klassifizierten Trainingsdaten bereits gute Ergebnisse erzielt werden können. Mit 16'384 klassifizierten Bildern und 1.3 Mio unklassifizierten Bildern konnte eine Genauigkeit (Accuracy Score) von 89% erreicht werden. Mit dem identischen Modell mit Supervised Training wurde im Vergleich dazu nur 79% Genauigkeit erreicht.
Semi- und Selfsupervised Deep Learning Ansätze wie Momentum Contrast stellen somit eine vielversprechende Möglichkeit dar um den Aufwand der Klassifizierung von Fotofallen-Datensätzen zu reduzieren.
| Projektdauer: | 25 Wochen |
| Aufwand: | 720 Personenstunden |
| Teamgrösse: | 2 Personen |
Fachhochschule Nordwestschweiz
Institut für Datas Science
Bahnhofstrasse 6
5210 Windisch
fhnw.ch
Melanie Mathys
Mathias Graf
Prof. Dr. Michael Graber michael.graber@fhnw.ch
Marco Willi marco.willi@fhnw.ch
