WildFin verbessert KI-Analyse von Fischverhalten

Auf der European Conference on Computer Vision in Malmö wurde am 8. September mit WildFin ein spezialisierter Datensatz zur computergestützten Analyse von Fischverhalten in der Natur vorgestellt. Das von Forscherinnen und Forschern der Cornell University in Zusammenarbeit mit der Universität Colorado Boulder entwickelte Projekt adressiert eine zentrale Schwäche aktueller KI-Systeme: Während Computer-Vision-Modelle auf massenhafte, internetbasierte Bilddaten trainiert werden, bleiben wildlife-spezifische Szenarien weitgehend unberücksichtigt. In natürlichen Meeresumgebungen führen schwimmende Fischschwärme, variierende Lichtverhältnisse und instabile Kamerapositionen dazu, dass Standardalgorithmen selbst die Verfolgung einzelner Tiere oder die Klassifizierung grundlegender Verhaltensweisen wie Nahrungssuche oder Flucht nicht zuverlässig bewältigen. Um diese technologische Lücke zu schließen, wurde der Datensatz WildFin erstellt. Im Rahmen der Dissertation von Abigail Grassick entstanden unter der wissenschaftlichen Leitung von Professor Andrew Hein und Professorin Jennifer Sun neun Stunden detailliert annotierte Videosequenzen von den Riffstrukturen vor der Küste Curaçaos. Die Datenerhebung umfasste mehr als 1.400 Stunden Feldeinsatz, gefolgt von 600 Stunden manueller Rahmen-für-Rahmen-Etikettierung durch Grassick und ihr Team. Trotz dieses intensiven Aufwands zeigten Tests mit aktuellen Standardmodellen weiterhin unzureichende Ergebnisse, was die Dringlichkeit spezialisierter Trainingsdaten hervorhebt. Das übergeordnete Ziel des Projekts ist die Entwicklung robusterer KI-Modelle für die angewandte Ökologie. Durch die Verbesserung der automatischen Verhaltenserkennung soll die Analyse großer Videomengen automatisiert werden, was traditionelle, ressourcenintensive Forschungsmissionen erheblich entlasten könnte. Zugleich eröffnet die Technologie neue Möglichkeiten zur Auswertung von Citizen-Science-Aufnahmen und crowdsourcet Daten aus naturwissenschaftlichen Plattformen. Diese könnten künfting in Echtzeit zur Überwachung des ökologischen Zustands sowie zur Dokumentation seltener Arten genutzt werden. Die Forschenden betonen, dass die Bewältigung dieser Aufgabe eine multidisziplinäre Zusammenarbeit erfordert, die Expertise aus Maschinenlernen, Statistik und Meeresbiologie zusammenführt. Als langfristige Strategie planen die Entwickler, KI-Agenten zur automatischen Aufbereitung und Konvertierung historischer Archivvideos einzusetzen, sodass bisherige Felddaten wieder für das Training zukünftiger Modelle nutzbar werden. Parallel dazu appellieren die Autorinnen und Autoren an die wissenschaftliche Gemeinschaft, eigene Videomaterialien aus Feldstudien zu teilen. Nur durch die Aggregation solcher Daten lässt sich die Infrastruktur für eine präzise, automatisierte Wildnisforschung aufbauen.