Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

Transforming ocean surveying by the power of DL and statistical methods

Alternativ tittel: Videreutvikle havbunnsundersøkelser ved bruk av Dyp Læring og statistikk

Tildelt: kr 13,8 mill.

Utviklingen av stadig mer effektive datamaskiner har gjort det mulig å analysere og utnytte store datamengder i sann tid. Dette har ført til mange nye hjelpemiddel i hverdagen som for eksempel selvkjørende biler, beslutningsstøtte for leger, og smarttelefoner. Alt dette er eksempler på bruk av kunstig intelligens hvor målet ofte er å trekke ut og klassifisere viktige elementer fra store datamengder. Hovedformålet med prosjektet er å forbedre forståelsen av kunstig intelligens ved bidrag både fra statistiske metoder og Dyp læring. Dyp læring er en læreprosess der man trener opp en algoritme ved hjelp av nevrale nettverk. Dette er sentralt innen maskinlæring for utvikling av kunstig intelligens. Anvendelsen i dette prosjektet er gjenkjenning og klassifisering av ulike objekter fra bilder, videofilmer og lydbølger (akustiske data). Presise estimater av usikkerheten knyttet til gjenkjenning og klassifisering er et viktig delmål. Dette forsøker vi å oppnå ved å studere viktige mekanismer i Dyp Læring-metodikken. De nye løsningene vil gi mer pålitelige og nøyaktige modeller, redusere usikkerhet, og gi mer tolkbare modeller som lettere kan overføres til andre områder. Prosjektet vil samarbeide med de to bedriftene Argeo AS og Multiconsult AS, som begge blant annet jobber med overvåkning og kartlegging av havbunnen. Det tas sikte på å utvikle metoder som kan gjenkjenne og klassifisere objekter på havbunnen med bedre sikkerhet og nøyaktighet enn tidligere. Vi vil studere både store og små objekter som for eksempel tapt fiskeriutstyr, havbunnstyper, større planter og dyr eller ørsmå objekter, som f.eks. mikroplast og smådyr i bunnsedimentene. Et mål er å utvikle treffsikre algoritmer som automatiserer kartlegging og overvåkning av havbunnen. Lykkes vi, vil dette kunne bidra til en betydelig raskere og billigere måte å samle inn data på. Det vil igjen styrke kvaliteten på resultatene og bidra til bedre forvaltning av havbunnen.

In modern society, the amount of data collected is rapidly increasing. Examples occur from self-driving cars to decision support tools in hospitals. Artificial intelligence is key to extract crucial information from the huge amounts of data. Classifiers that suggest a class affiliation based on the input characteristics of the observation, often play a central role in such tasks. This problem domain is denoted classification and to fully discover and utilize all available information, machine learning and statistical techniques have proven very useful. At present, these two cultures have only to a limited extent, been able to take out important synergies. The synergies are, however, of crucial importance and the focus of this application is therefore to join their strengths to get rid of bottlenecks within classification. In this project, we will focus on bottlenecks related to uncertainty estimation, transferable methodology and highly heterogeneous data sets within deep learning. Improvements in these research directions will be of vital importance in a large number of applications. Here, we focus on specific tasks that are important both for the collaborating companies, Multiconsult and Argeo and for the geoscientific community. In particular, we develop a product that automatize the recognition of specific objects at and within the seabed from several image acquisition types. Moreover, we demonstrate how a time-consuming manual procedure can be replaced by an automatic system for identification and classification of objects carrying information about climatology and environmental conditions. Successful algorithms developed in the present project will pave the way for a fully automatic system, so that the human interaction of the whole process, at some point in the future, largely can be omitted.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Budsjettformål:

IKTPLUSS-IKT og digital innovasjon