Cristin-resultat-ID: 1927395
Sist endret: 25. november 2021, 19:01
NVI-rapporteringsår: 2021
Resultat
Vitenskapelig artikkel
2021

Semi-supervised target classification in multi-frequency echosounder data

Bidragsytere:
  • Changkyu Choi
  • Michael Kampffmeyer
  • Nils Olav Handegard
  • Arnt Børre Salberg
  • Olav Brautaset
  • Line Eikvil
  • mfl.

Tidsskrift

ICES Journal of Marine Science
ISSN 1054-3139
e-ISSN 1095-9289
NVI-nivå 1

Om resultatet

Vitenskapelig artikkel
Publiseringsår: 2021
Volum: 78
Hefte: 7
Sider: 2615 - 2627
Artikkelnummer: fsab140
Open Access

Importkilder

Scopus-ID: 2-s2.0-85119160049

Beskrivelse Beskrivelse

Tittel

Semi-supervised target classification in multi-frequency echosounder data

Sammendrag

Acoustic target classification in multi-frequency echosounder data is a major interest for the marine ecosystem and fishery management since it can potentially estimate the abundance or biomass of the species. A key problem of current methods is the heavy dependence on the manual categorization of data samples. As a solution, we propose a novel semi-supervised deep learning method leveraging a few annotated data samples together with vast amounts of unannotated data samples, all in a single model. Specifically, two inter-connected objectives, namely, a clustering objective and a classification objective, optimize one shared convolutional neural network in an alternating manner. The clustering objective exploits the underlying structure of all data, both annotated and unannotated; the classification objective enforces a certain consistency to given classes using the few annotated data samples. We evaluate our classification method using echosounder data from the sandeel case study in the North Sea. In the semi-supervised setting with only a tenth of the training data annotated, our method achieves 67.6% accuracy, outperforming a conventional semi-supervised method by 7.0 percentage points. When applying the proposed method in a fully supervised setup, we achieve 74.7% accuracy, surpassing the standard supervised deep learning method by 4.7 percentage points.

Bidragsytere

Changkyu Choi

  • Tilknyttet:
    Forfatter
    ved Institutt for fysikk og teknologi ved UiT Norges arktiske universitet

Michael Kampffmeyer

  • Tilknyttet:
    Forfatter
    ved Institutt for fysikk og teknologi ved UiT Norges arktiske universitet
  • Tilknyttet:
    Forfatter
    ved Norsk Regnesentral
Aktiv cristin-person

Nils Olav Handegard

  • Tilknyttet:
    Forfatter
    ved Økosystemakustikk ved Havforskningsinstituttet

Arnt-Børre Salberg

Bidragsyterens navn vises på dette resultatet som Arnt Børre Salberg
  • Tilknyttet:
    Forfatter
    ved Jordobservasjon ved Norsk Regnesentral

Olav Brautaset

  • Tilknyttet:
    Forfatter
    ved Statistisk analyse, maskinlæring og bildeanalyse SAMBA ved Norsk Regnesentral
1 - 5 av 7 | Neste | Siste »