Kystnære marine økosystemer endres raskt, drevet av flere stressfaktorer som havoppvarming, fiskeri, fremmede arter, tap av habitat og degradering av leveområder. Å dempe disse negative effektene krever effektive observasjonsmetoder for å kunne informere politikere og forvaltningsorganer, og deretter for å monitorene effekten av tiltak.
Undervannskameraer tilbyr nå et kostnadseffektivt og attraktivt alternativ til de arbeidskrevende fiskeredskapene som tradisjonelt brukes i bestandsundersøkelser. Storskala utplassering av kameraer vil produsere enorme mengder verdifulle observasjoner, men bare en brøkdel av disse bildene kan analyseres manuelt. Maskinlæring gir muligheten for å utvikle helautomatisert videoanalyse, men for å nå det punktet hvor dyplæringsbasert maskinsyn kan brukes i feltundersøkelser så må det legges ned betydelig innsats for å bygge annoterte datasett av høy kvalitet, og å utforske metoder som krever mindre data for algoritmetrening.
ShareVision vil utforske slike metoder med mål om å utvikle maskinsyns-systemer som vil gjøre oss i bedre stand til å overvåke, forstå og forvalte kystfiskerier. Vi skal sette sammen og bygge video- og bildebibliotek for kystnære arter i Norge (og andre steder) til å utvikle gode verktøy for deteksjon, klassifisering og sporing av fisk i naturlige miljøer. Et nøkkelelement for å oppnå gode resultater er at vi har tilgang til avansert utstyr og treningsdata gjennom vår partner Havforskningsinstituttet.
ShareVision samarbeider med forskningsprosjektene CoastVision og ARVEN.
Havforskningsinstituttet