كشف القُرَى الرخوة تحت الماء: SCoralNet لتعزيز التسمية الدقيقة والفعالة.

تم اقتراح إطار عمل كشف الشعاب المرجانية الجديد SCoralNet (المستند إلى Faster R-CNN) لتحديد موضع وتمييز أنواع الشعاب المرجانية المختلفة في الصور بشكل تلقائي، مما يمكّن من التصنيف السريع والدقيق. يُعدّ مراقبة تغطية ووفرة الشعاب المرجانية تحت الماء عادةً عملية تتطلب تسمية ومعالجة كميات كبيرة من الصور تحت الماء للشعاب المرجانية. ومع ذلك، فإن التسمية اليدوية لعدد كبير من الصور تستهلك وقتًا طويلاً وتفتقر إلى الكفاءة، كما أن تصنيفات الشبكات العصبية التلافيفية (CNN) تقدم فقط تسميات تصنيفية بسيطة دون اCapturing التفاصيل الدقيقة في الصور. تم تحسين أداء كشف SCoralNet من خلال دمج التحويلات الممتدة (dilated convolutions) في الشبكة الأساسية (backbone). ولضمان التقاط معلومات متعددة المقاييس ومتعددة المستويات من أهداف الشعاب المرجانية، تم وضع شبكة "NASFPN" (التي تُعرف بـ Neck Network) بين الشبكة الأساسية ووحدة الكشف (detecting head). كما تم استخدام خسارة "Seesaw Loss" لتقليل تأثير التوزيع الطويل الذيل (long-tailed distribution) في مجموعة البيانات على دقة تصنيف SCoralNet. أما خسارة CIoU فقد استُخدمت لتحسين طريقة إعادة تسوية المربعات المحيطة (bounding box regression). أثناء عملية الاستدلال (inference)، تم تطبيق خوارزمية Soft-NMS لتقليل الصناديق الزائدة للكشف عن الشعاب المرجانية. لتقدير فعالية SCoralNet، تم تطوير مجموعة بيانات تُسمى Coral-soft باستخدام صور حقيقية لأشباه الشعاب المرجانية الشائعة في منطقة سابيا بجنوب الصين. أظهر SCoralNet تفوقًا ملحوظًا على النموذج الأصلي Faster R-CNN في مجموعة بيانات Coral-soft، حيث حقق زيادة بنسبة 45.68% في متوسط الدقة المتوسطة (mAP) وزيادة بنسبة 59.2% في mAP75. علاوة على ذلك، تفوق SCoralNet على بعض النماذج المتقدمة من حيث الأداء العام.