Humpback whale ındentification with convolutional neural networks

• Main Author: Can, Duygu
• Other Authors: Arslan, Şuayb Ş.
• Format: Other/Unknown Material
• Language: English
• Published: MEF Üniversitesi, Fen Bilimleri Enstitüsü 2018
• Subjects: Convolutional Neural Networks (CNN); Humpback Whale; Artificial Neural Networks (ANN); Image Classification; Photo-identification; ResNET; Evrişimli Sinir Ağları (ESA); Kambur Balina; Yapay Sinir Ağları (YSA); Görüntü Sınıflandırma; Foto-tanımlama; Balina; Kambur; Nesli
• Online Access: https://hdl.handle.net/20.500.11779/1171

The migration patterns of humpback whales are tracked with conventional photoidentification techniques for decades. The distinct markings on whale flukes serve as unique fingerprints for these creatures. This study aims to identify humpback whales according to their fluke images using ResNET, a deep neural network architecture to help the conservation efforts for this endangered species by automatizing the process. We experimented with different train/test split schemes and initializations to obtain the best classifying model. Although we were limited with a small sized training set of 200 images, using state-of-the-art image processing and data augmentation methods we obtained a high accuracy of 0.94 for 11 distinct whales. This project is served as an friendly interface to dive deep into the field of image recognition with Convolutional Neural Networks. Kambur balinaların göç kalıpları, onlarca yıldır geleneksel fotoğraf tanımlama teknikleri ile izlenmektedir. Balina kuyrukları üzerindeki belirgin işaretler, bu canlılar için özgün parmak izleri gibi davranmaktadır. Tanıma sürecini otomatikleştirerek, nesli tehlikede olan kambur balinaların korunma çabalarına katkıda bulunmayı hedefleyen bu çalışmada, bir derin sinir ağı mimarisi olan ResNET ile kuyruk görsellerine göre balina tanıma hedeflenmiştir. En iyi sınıflandırma modelini elde etmek için farklı eğitim/test ayrımı şemaları ve değişik başlangıç noktalari ile deneyler yapılmıştır. 200 görüntüden oluşan küçük bir eğitim seti ile sınırlı kalınmasına rağmen, ileri görüntü işleme ve veri artırma yöntemlerini kullanılarak 11 farklı balina için 0.94 yüksek başarımı edilebilmiştir. Bu proje, Konvolüsyonel Sinir Ağları ile görüntü tanıma alanına derinlemesine dalmak için dostça bir arayüz olarak hizmet etmiştir.