环保人士推出了一款新的 AI 工具，可以从世界任何地方筛选 PB 级的水下影像，以识别废弃或丢失的鱼网 (即所谓的“幽灵网”) 的迹象。
每年，全球约有 2% 的渔具（包括约 80,000 平方公里的鱼网）丢失在海洋中。这些鱼网会威胁到海豹、海龟和 Dolphins 等海洋野生动物，它们会纠结于废弃的鱼网中并溺死。丢失的渔具也会在水中分解，成为塑料污染的主要诱因。
检测停泊在海洋或海底的废弃渔网极其困难。网通常像手指一样薄，人类在观看水下图像时几乎看不到。
为了识别幽灵网的确切位置，以便将其移除，WWF Germany 和合作伙伴 Accenture 以及 Microsoft 的 AI for Good Lab 共同创建了 GhostNetZero.ai。该在线平台从科研机构、政府、海上风电公司和其他经常收集此类扫描图像的团体处众包高分辨率水下数据（称为 side scan sonar 图像）。
GhostNetZero.ai 中嵌入了一个由带有 ResNet50 主干的 DeepLabV3 组成的 Convolutional Neural Network (CNN) ，用于扫描 sonar 数据以寻找幽灵网络的迹象。在 solar 扫描中，94% 的时间都能准确识别出幽灵网。
“每张侧面扫描的sonar图像都包括地理位置和其他类型的metadata，因此，如果 AI 识别出sonar图像中的幽灵网，它就能告诉我们幽灵网的确切位置，”WWF 德国幽灵网项目经理 Gabriele Dederer 说。
捕捉幽灵网
一旦 AI 发现了幽灵网，Dederer 及其团队就会与当地的潜水员和渔民合作，研究如何移除这些鱼网。该团队要求当地合作伙伴验证网络是否符合 AI 的预期，并提供更详细的信息，例如网络的大致尺寸。
从那里开始，当地的海洋和自然保护组织将启动清除幽灵网的后勤工作。
Dederer 说：“Divers 帮助我们确定这些是非常大的网还是较小的网，他们可以帮助判断需要多大的检索船。”“我们的工作必须按区域进行查看，如果已经有本地协议，我们将在其中开展工作，因为所有这些检索都是一项艰巨的后勤和财务任务。”
德国世界自然基金会目前正在与法国、爱沙尼亚和瑞典的当地团队密切合作，并计划在未来扩大合作伙伴关系。
几年前，Dederer 提出了分析众包 sonar 数据的想法。但直到今年年初，在 Accenture 和 Microsoft 了解到她的工作并主动提出提供帮助后，AI 才被集成到该项目中。
CNN 托管在 Microsoft Azure 云上，并使用 PyTorch 库进行开发。它使用 NVIDIA A100 TensorCore GPU 进行训练和推理。
Christian Bucher 是微软 Ghost Net 项目的联系人，他指出，与当地团队合作的另一个好处是，他们的现场验证可以反馈到模型中，以提高其准确性和效率。
Bucher 表示：“AI 在很大程度上涉及模式识别，我们使用 PyTorch 来帮助检测不同类型的幽灵网，因为【幽灵网】的声纳图像几乎总是不同的。“说到底，这是一项相对简单的机器学习任务，一旦我们确定了如何进行分割，我们的准确率达到了 94%。”
