Détection de coraux mous sous-marins : SCoralNet pour une annotation précise et efficace.

SCoralNet (basé sur Faster R-CNN) est un nouveau cadre de détection de coraux sous-marins proposé pour localiser et identifier automatiquement différentes espèces de coraux dans des images, permettant ainsi une annotation rapide et détaillée. Le suivi de la couverture et de l’abondance des coraux sous-marins implique généralement l’annotation et le traitement d’un grand volume d’images de coraux. Toutefois, l’annotation manuelle de ces images est longue et exigeante en ressources humaines, tandis que les classificateurs basés sur les réseaux de neurones convolutifs (CNN) ne fournissent que des annotations de classification simples, sans capturer les détails fins des images. La performance de détection de SCoralNet est améliorée par l’intégration de convolutions dilatées dans le réseau principal (backbone). Pour capter efficacement des informations à plusieurs échelles et plusieurs niveaux provenant des cibles coralliennes, un réseau intermédiaire appelé NASFPN est placé entre le backbone et la tête de détection. La fonction de perte « Seesaw Loss » est utilisée pour atténuer l’impact de la distribution à queue longue du jeu de données sur la précision du classificateur de SCoralNet. La perte CIoU est employée pour optimiser la méthode de régression des boîtes englobantes. Lors de l’inférence, la méthode Soft-NMS est appliquée pour supprimer les boîtes de détection redondantes de coraux. Pour évaluer l’efficacité de SCoralNet, un jeu de données nommé Coral-soft a été développé à partir de photos réelles d’espèces courantes de coraux mous provenant de la région de Sanya en Chine. SCoralNet a surpassé le modèle Faster R-CNN original sur le jeu de données Coral-soft, avec une augmentation de 45,68 % de la précision moyenne en moyenne (mAP) et une hausse de 59,2 % de la mAP75. En outre, SCoralNet a démontré une performance globale supérieure à celle de plusieurs modèles avancés.