2026-04-20T00:08:29Z https://datacatalogue.cessda.eu/oai-pmh/v0/oai

05ec052c7a10dddf9d5ccaa7078a2d5a486855848adf158636fd6ef1d4bde131 2025-06-17T03:26:00Z language:svopenaire_data

Syntetiska bilder av koraller (Desmophyllum pertusum) med objektigenkänningmodeller - Syntetiska bilder av koraller (Desmophyllum pertusum) med objektigenkänningsmodeller Swedish National Data ServiceSvensk nationell datatjänst Landing page Syntetiska bilder av koraller (Desmophyllum pertusum) med objektigenkänningmodeller - Syntetiska bilder av koraller (Desmophyllum pertusum) med objektigenkänningsmodeller Synthetic images of corals (Desmophyllum pertusum) with object detection models 2022-98-1-1https://doi.org/10.5878/hp35-4809 Obst, Matthias Obst, Matthias Al-Khateeb, Sarah Al-Khateeb, Sarah Anton, Victor Anton, Victor Germishuys, Jannes Germishuys, Jannes Swedish National Data ServiceSvensk nationell datatjänst 2023-04-12 Landing page benthic ecosystemcoralsHabitats and biotopesNaturtyper och biotoperProtected sitesSkyddade områdenmachine learningmaskininlärninganimalsartificial intelligenceartificiell intelligensorganismorganismermethodsmetoderentitysocietal objectssamhälleliga objektobject of interestabstract objectsabstrakta objektobjectsentiteter ZoologyZoologiEcologyEkologiImagery / Base Maps / Earth CoverArealtäckande bilder och bakgrundskartorBiotaBiologi och ekologiOceansKust och havBiological SciencesBiologiNatural SciencesNaturvetenskap Two object detection models using Darknet/YOLOv4 were trained on images of the coral Desmophyllum pertusum from the Kosterhavet National Park. In one of the models, the training image data was amplified using StyleGAN2 generative modeling. The dataset contains 2266 synthetic images with labels and 409 original images of corals used for training the ML model. Included is also the YOLOv4 models and the StyleGAN2 network. The still images were extracted from raw video data collected using a remotely operated underwater vehicle. 409 JPEG images from the raw video data are provided in 720x576 resolution. In certain images, coordinates visible in the OSD have been cropped. The synthetic images are PNG files in 512x512 resolution. The StyleGAN2 network is included as a serialized pickle file (*.pkl). The object detection models are provided in the .weights format used by the Darknet/YOLOv4 package. Two files are included (trained on original images only, trained on original + synthetic images). The machine learning software packages used is currently (2022) available on Github: StyleGAN2: https://github.com/NVlabs/stylegan2 YOLOv4: https://github.com/AlexeyAB/darknetTvå objektigenkänningsmodeller som använder sig av Darknet/YOLOv4 har tränats på bilder av korallen Desmophyllum pertusum från Kosterhavets nationalpark. I en av modellerna har träningsbilddata förstärkts ytterligare med generativ modellering enligt StyleGAN2. Datasetet innehåller 2266 syntetiska bilder med positionsmärken och 409 originalbilder av koraller som använts för att träna maskininlärningsmodellen. Det innehåller också YOLOv4-modellerna samt StyleGAN2-nätverket. Bildmaterialet är ett stillbildsurval från råvideo som samlats in med en fjärrstyrd undervattensfarkost. De 409 JPEG-bilderna från råvideon är i upplösningen 720x576. Vissa har beskurits från koordinater som varit synliga på OSD-display. De syntetiska bilderna är i upplösningen 512x512 och i PNG-format. StyleGAN2-nätverket finns tillgänglig som serialiserad pickle-fil (*.pkl). Objektigenkänningsmodellerna finns med i .weights-formatet som används i Darknet/YOLOv4-paketet. Den ena modellfilen är bara tränad på originalbilder, och den andra på originalbilder tillsammans med syntetiska bilder. Den maskininlärningsmjukvara som använts finns i dagsläget (2022) tillgänglig på Github. StyleGAN2: https://github.com/NVlabs/stylegan2 YOLOv4: https://github.com/AlexeyAB/darknet 19992004 SwedenSverige Video recordings from 35 research cruises in the Kosterhavet National Park using a ROV.Videoinspelningar från 35 st forskningskryssningar i Kosterhavets nationalpark med ROV.RecordingInspelningThe classification of Desmophyllum pertusum in still images from the video data has been performed as citizen science by volunteers using the classification tool on the Koster seafloor observatory website.Klassifikationen av Desmophyllum pertusum på stillbilder från videodatan har genomförts genom medborgarforskning och frivilliga deltagare via klassifikationsverktyget på webbplatsen The Koster seafloor observatory.TranscriptionTranskription Access to data through SND. Data are freely accessible.Åtkomst till data via SND. Data är fritt tillgängliga. https://snd.gu.se 2022-98-1 2023-05-03T14:00:09Z ddi:codebook:2_5