[論文レビュー] Imaging and Classification Techniques for Seagrass Mapping and Monitoring: A Comprehensive Survey

M Moniruzzaman, Sidra Islam+3 more|arXiv (Cornell University)|Feb 26, 2019

Coral and Marine Ecosystems Studies被引用数 8

ひとこと要約

本包括なサーベイは、シーをラスのマッピングとモニタリングのための画像処理および分類技術をレビューし、静止画像、動画、音響画像、スペクトル画像の4つのデータタイプを分析している。リアルタイムで自動化されたシーグラスの検出および密度推定に関する重要な研究ギャップを特定し、海洋環境モニタリングの向上のため、ディープラーニングベースの手法とコスト効率の良いデータ収集を提唱している。

ABSTRACT

Monitoring underwater habitats is a vital part of observing the condition of the environment. The detection and mapping of underwater vegetation, especially seagrass has drawn the attention of the research community as early as the nineteen eighties. Initially, this monitoring relied on in situ observation by experts. Later, advances in remote-sensing technology, satellite-monitoring techniques and, digital photo- and video-based techniques opened a window to quicker, cheaper, and, potentially, more accurate seagrass-monitoring methods. So far, for seagrass detection and mapping, digital images from airborne cameras, spectral images from satellites, acoustic image data using underwater sonar technology, and digital underwater photo and video images have been used to map the seagrass meadows or monitor their condition. In this article, we have reviewed the recent approaches to seagrass detection and mapping to understand the gaps of the present approaches and determine further research scope to monitor the ocean health more easily. We have identified four classes of approach to seagrass mapping and assessment: still image-, video data-, acoustic image-, and spectral image data-based techniques. We have critically analysed the surveyed approaches and found the research gaps including the need for quick, cheap and effective imaging techniques robust to depth, turbidity, location and weather conditions, fully automated seagrass detectors that can work in real-time, accurate techniques for estimating the seagrass density, and the availability of high computation facilities for processing large scale data. For addressing these gaps, future research should focus on developing cheaper image and video data collection techniques, deep learning based automatic annotation and classification, and real-time percentage-cover calculation.

研究の動機と目的

• 複数のデータモダリティにわたるシーグラス検出およびマッピングのための現在の画像処理および分類技術を体系的にレビューすること。
• 水深、透明度、天候条件、計算リソースの要求といった、既存の手法に関する制限要因を特定すること。
• 海洋環境評価を支援するため、リアルタイムで自動的かつ正確なシーグラスモニタリングシステムの必要性を強調すること。
• データ収集、自動化、計算スケーラビリティに関する主要なギャップを提示することで、今後の研究を導くこと。
• リアルタイムでのシーグラスのカバレッジ割合推定および分類のためのディープラーニングベースのソリューションの開発を促進すること。

提案手法

• シーグラスマッピング技術を4つのクラスに分類：静止画像ベース、動画ベース、音響画像ベース、スペクトル画像ベースの手法。
• リモートセンシング、衛星、航空機、水中の画像技術（ソナーおよびデジタル写真を含む）をレビュー。
• シーグラス検出に用いられる分類アルゴリズムを評価し、従来の機械学習およびディープラーニングモデルを含む。
• 異なるデータタイプおよび環境条件における精度、適合率、再現率などのパフォーマンス指標を分析。
• 大規模なシーグラスモニタリングに向けた、既存手法の計算リソース要件およびスケーラビリティを評価。
• 低コストの画像収集、自動アノテーション、リアルタイム処理パイプラインに焦点を当てた今後の研究方向性を提案。

実験結果

リサーチクエスチョン

• RQ1 異なるデータタイプにおいて、シーグラスマッピングに用いられる主な画像処理および分類技術は何か？
• RQ2 水深、透明度、天候条件などの環境要因は、シーグラス検出の精度にどのように影響を与えるか？
• RQ3 自動化、速度、スケーラビリティの観点から、現在のシーグラスモニタリングシステムの主な制限要因は何か？
• RQ4 ディープラーニングは、シーグラス分類およびカバレッジ割合推定の精度と効率をどのように向上させ得るか？
• RQ5 リアルタイムでコスト効率が良く、耐障害性のあるシーグラスモニタリングシステムを開発するための、最も有望な今後の方向性は何か？

主な発見

• 本研究では、静止画像、動画、音響画像、スペクトル画像の4つの主なデータベースのアプローチを特定し、それぞれに特徴的な利点と制限があることを明らかにした。
• 既存の手法は、透明度が高く、視界が悪いなどの変動する環境条件下でしばしば失敗し、検出の信頼性が低下する。
• 大規模データを効率的に処理できる完全に自動化されたリアルタイムのシーグラス検出システムが不足している。
• 異なる環境やデータソースにおいて、シーグラス密度を推定する現在の手法は、正確性に欠け、一貫性に欠ける。
• 高い計算リソース要件と、高度な処理施設へのアクセス制限が、大規模なシーグラスモニタリングシステムの展開を妨げている。
• 今後の研究では、低コストの画像収集ソリューション、ディープラーニングベースの自動アノテーション、リアルタイムでのカバレッジ割合計算の強化を優先すべきである。