Málstofa, miðvikudag 12. október, kl. 12:30

Hafsteinn Einarsson.

Miðvikudaginn 12. október, kl. 12:30 verður málstofa Hafrannsóknastofnunar haldin í fundarsal á 1. hæð að Fornubúðum 5 í Hafnarfirði.

Hafsteinn Einarsson flytur erindið: Aldursgreining kvarna með aðferðum á sviði gervigreindar.

Ágrip
Aldursgreining kvarna er mikilvægt verkefni sem getur hjálpað okkur að meta stofnstærð fisktegunda við landið. Í dag er aldur kvarna lesinn af sérfræðingum og er það takmarkandi þáttur við lestur kvarnanna. Til að auka magn kvarna sem eru lesnar er því áhugavert að rannsaka að hvaða leyti megi framkvæma aldursgreiningu með sjálfvirkum hætti. Verkefnið var styrkt af Nýsköpunarsjóði námsmanna og í því var unnið að þróun sjálfvirkrar aðferðar til aldursgreiningar á kvörnum. Aðferðin er einföld en hún byggir á greypingarlíkani fyrir myndir sem kallast CLIP (contrastive language image pretraining) sem notað er til að greypa myndirnar og eru greypingarnar svo greindar með einföldum líkönum. Við beittum aðferðinni á myndir af kvörnum úr skarkola, þorski, lúðu og ýsu og við fengum betri niðurstöður í kvarnagreiningunni heldur en fengist hafa með birtum líkönum á sviði tölvusjónar. Aðferðin er reiknilega skilvirk því ekki þarf að fínþjálfa stór tauganet til að beita henni. Einnig er hún skilvirk þegar kemur að nýtingu gagnanna, því hægt er að fá sömu frammistöðu og með eldri líkönum með allt að þrefalt minna af gögnum. Við greindum einnig hvort gagn væri af því að hafa meira af merktum gögnum og við sáum að líkanið myndi að öllum líkindum standa sig betur ef meira af aldurslesnum kvörnum væru í boði.

Um Hafstein
Hafsteinn Einarsson er lektor í tölvunarfræði við Háskóla Íslands með doktorsgráðu í tölvunarfræði frá ETHZ (Eidgenössische Technische Hochschule Zürich) í Sviss. Hann vinnur einnig að rannsóknum hjá Íslenskri Erfðagreiningu. Hann hefur stundað rannsóknir á sviði strjállar stærðfræði, taugavísinda, gervigreindar og máltækni.

Abstrct
For sustainable fishing practices, it is crucial to evaluate the status of fish stocks to gain a deeper understanding of population dynamics. One part of that evaluation is to perform otolith age determination. Today, age determination is performed manually. Therefore, it is interesting to study to what extent it can be automated. In this study, we propose a computer vision-based few-shot learning method for the otolith age determination task. We evaluate the method on European plaice, Atlantic cod, Greenland halibut and haddock otoliths, and we compare the method with prior state-of-the-art approaches, which the method outperforms. The method is based on a vision encoder from CLIP as a feature extractor, and the features are used to train shallow models. The method is computationally efficient since it requires no fine-tuning of deep networks. It is also data efficient since it performs better than fine-tuning on the same data. Our results suggested that in some data regimes, the method can reach the same performance as state-of-the-art fine-tuning approaches with up to three times less training data.

Bio
Hafsteinn Einarsson is an assistant professor in computer science at the University of Iceland. He got his PhD in computer science from the Swiss Federal Institute of Technology in Zürich (ETHZ). Hafsteinn is also working with deCODE genetics. His studies have been within the field of discrete mathematics, neuroscience, artificial intelligence, and natural language processing.