Annotated Underwater Images of Round Goby (Neogobius melanostomus) in the Great Lakes from 2020-2023 to Support Deep Learning and Fisheries Assessment
Notice bibliographique
Résumé
This dataset contains more than 37,000 high-resolution images of natural lake bottom habitats containing round goby (Neogobius melanostomus) captured by autonomous underwater vehicles (AUVs). Round goby are invasive to the Laurentian Great Lakes, but are an important prey item for economically valuable predators, and thus of interest to managers. Individual round goby within each image were manually traced to create binary masks and JSON files to support training and validation of deep learning algorithms to automatically detect round goby. The data were collected in Lakes Michigan, Huron, and Ontario between June to September, 2020, 2021, 2022, and 2023 using two different camera systems integrated into L3Harris-OceanServer Iver3 AUVs. Each image is attributed with information about its latitude, longitude, depth, altitude, and other values recorded by the AUVs’ on-board sensors and recorded in a metadata file (RoundGoby_Dataset_Metadata.csv). To ensure the quality and accuracy of the data, the manual labels were inspected by three independent observers to verify their correctness, ensuring that no non-fish objects were mistakenly labeled as fish, and to exclude fish that were not round goby, background substrates, mussels, and fish-like objects. The data are organized into zip files, each corresponding to different collection months, years, and camera systems. Zip files contain (i) raw RGB images, (ii) ground truth binary masks, (iii) JSON files with polygon coordinates, (iv) bounding box coordinates in pixels, and (v) bounding box coordinates in YOLO format to support algorithm development. Collectively, this dataset provides a comprehensive resource for automating the detection and sizing of round goby in color images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».