Unsere Welt verändert sich und auch die Werkzeuge, die wir zu ihrer Erforschung einsetzen, müssen sich ändern. In der Walforschung ist die Fotoidentifikation eine entscheidende Methode, um einzelne Tiere zu verfolgen und die Populationsgröße und -dynamik zu untersuchen. Sie liefert Einblicke in ihr Leben, hilft uns, ihren Aufenthaltsort zu verstehen und sie besser zu schützen. Der manuelle Abgleich von Fotos kann jedoch recht herausfordend sein, insbesondere bei umfangreichen Bilddatenbanken.
Herkömmliche Methoden beinhalten das Aufnehmen von Walbildern und deren Vergleich anhand einzigartiger Markierungen, was zeit- und arbeitsintensiv sein kann. In unserem Forschungsprojekt FINWAIID erforschen wir einen automatisierten Ansatz, um diesen Prozess zu optimieren. Dazu entwickeln wir eine Deep-Learning-Pipeline, die einzelne Finnwale der südlichen Hemisphäre anhand vertikaler Drohnenaufnahmen identifizieren kann. Unsere Methode konzentriert sich auf die einzigartigen Pigmentmuster auf dem Rücken dieser Wale, insbesondere das zentrale Chevron-Muster und die Blesse.
Durch den Einsatz eines semi-supervised Workflows wollen wir unser System mit einem kleineren Satz gekennzeichneter Daten trainieren und so den Bedarf an aufwändiger manueller Kennzeichnung reduzieren. Im nächsten Schritt nutzen wir eine automatische Kennzeichnungsschleife mit menschlicher Validierung, um die Standardisierung und Automatisierung zu untersuchen. Dies umfasst die Erkennung eines Wals in Videos und die Extraktion mehrerer Bildausschnitte desselben Wals aus Videos, die möglicherweise viele verschiedene Finnwale enthalten. Um eine genaue individuelle Identifizierung zu gewährleisten, verwenden wir eine tiefe Convolutional Neural Network (CNN)-Architektur ähnlich der, welche auch in der menschlichen Gesichtserkennungstechnologie zum Einsatz kommt. Unser Ansatz ist als alternatives Identifizierungsverfahren vielversprechend. Wir glauben, dass er die Effizienz der Erforschung von Walpopulationen deutlich verbessern könnte. Dies ermöglicht eine bessere Verfolgung individueller Bewegungen, eine genauere Schätzung der Populationsgrößen und eine effektivere Überwachung der Finnwalpopulationen der südlichen Hemisphäre. Darüber hinaus könnte unsere Methode auf andere Datensätze mit Tieren mit eindeutigen Markierungen erweitert werden, von Robben bis hin zu Landtieren.