Bruk av maskinlæring for å oppdage fisk i akustiske data

Akustikkdata brukes mye for å studere fiskebestander og marine økosystemer. Disse dataene kommer fra ekkolodd som sender lydbølger ned i havet og registrerer refleksjonene. Resultatet blir store og komplekse datasett. Mye av disse dataene blir fortsatt analysert manuelt i dag.

Dette doktorgradsarbeidet introduserer maskinlæringsmetoder for å automatisere prosessen. Spesielt fokuserer arbeidet på å oppdage fiskestimer mer nøyaktig og med mindre manuelt arbeid. En stor utfordring er at fiskestimer utgjør kun en liten del av dataene. Mesteparten viser bare tomt vann eller havbunnen. Denne ubalansen gjør det vanskelig for standardmodeller å lære nyttige mønstre. En ny utvalgsmetode blir foreslått for å fokusere treningen på de vanskelige tilfellene, der ikke-fisk-signaler ligner på fisk.

Avhandlingen foreslår også en ny metode for å estimere fiskebestand basert på maskinlæringsresultater. Metoden bygger på teknikker som allerede er i bruk i fiskeriforskning. Dette knytter akademiske modeller til virkelige behov. Til slutt ble det utviklet en selvlært læringsmodell. Den kan lære fra umerkede data, noe som reduserer behovet for manuell merking, samtidig som den gir gode resultater.

Forskningen er gjennomført i samarbeid med Havforskningsinstituttet og er en del av CRIMAC-prosjektet.

Personalia

Ahmet Pala (f. 1994) er doktorgradsstipendiat ved Matematisk institutt, Universitetet i Bergen. Hans veiledere er Anna Oleynik og Guttorm Alendal (Universitetet i Bergen), og Nils Olav Handegard (Havforskningsinstituttet). Han har en mastergrad i industriell ingeniørvitenskap fra Boğaziçi University, Istanbul, med fokus på maskinlæring og optimalisering. Hans kompetanse inkluderer maskinlæring, dyp læring, tidsserieanalyse, statistisk modellering og analyse av store datamengder.