“大堡礁是全球规模最大的珊瑚礁生态系统，总面积比意大利还大，从太空都看得见。”大堡礁公民组织首席执行官兼创始人 Andy Ridley 说道。“密集的长棘海星以珊瑚为食，再加上白化现象，种种威胁已经使一大部分脆弱的大堡礁生态系统遭到了破坏。了解珊瑚礁的连通情况很关键，如此便能够直接开展针对珊瑚礁的管理和保护工作。以前，研究人员只能对 3,000 座珊瑚礁中约 5-10% 的珊瑚礁进行监视，因此难以作出明智的保护决策。”

为了满足改善大堡礁记录工作的需求，大堡礁公民组织的 GRC 向游客寻求了帮助，游客们从数百个大堡礁位置拍摄了数千张勘测图像。然后，有着“公民科学家”之称的全球志愿者会根据海洋结构和珊瑚礁状况对图像进行分类。昆士兰大学 (UQ) 和詹姆斯·库克大学 (JCU) 的研究人员可以根据这些数据向 GBR 长棘海星 (COTS) 管理团队和旅游机构提供建议，然后后者会根据珊瑚礁的紧急程度开展保护工作。

戴尔的全新深度学习模型可加快这一过程，使公民科学家能够提供支持，便于相关人员在需求最高的地点以及每年的繁殖季节等一年中最关键的时期迅速开展恢复工作。

模型离不开以往的成功经验

戴尔针对 GRC 海洋作业开发了一款加固型边缘解决方案，该设备与船舶运输使用的移动网络配合使用，可以实时存储图像，并在船舶返回岸边时自动上传图像。公民科学家围绕不同的部分类别绘制边界，以此来标记图像。

之前，公民科学家要手动分析 13,000 多张图像，这不仅耗时较长，而且也会出现分析不准确的情况。第二次 GRC 得到了 42,000 张图像，张数较上次普查显著增加。要分析这种体量级的图像，就要借助技术的力量 — 一种深度学习模型，而且这种技术需要能够扩展以满足未来会不断增长的数据集需求。借助深度学习模型，游客可以在珊瑚礁上方保持静止，拍摄照片并将其上传到集中管理的普查门户。深度学习模型检测部分的速度和精确度胜过手动绘制边界。现在，公民科学家将只需根据预先检测完的边界标明珊瑚品种。

深度学习不足一分钟便可分析一张照片，而在上次普查中，分析一张照片则需七到八分钟。在第一次 GRC 中检视 13,000 张图像花费了 1,516 个小时，而新模型在不到 200 小时里就可以分析相同数量的数据，使公民科学家能够专注于标记这一更重要的任务。

深度学习语义分割模型由用以训练模型的戴尔高性能计算 (HPC) 图形处理单元 (GPU) 加速系统和用以存储数据的戴尔 PowerScale 系统提供支持。陆上计算平台包括戴尔 PowerEdge 服务器，用来支持 AI 训练群集和多个 AI 推理引擎。

戴尔与海洋专家合作，将珊瑚礁有机体的类别从 144 个缩减到关键的 5 个保护类别，使深度学习模型能够高效、准确地将每张图像的珊瑚划分出类别。

戴尔边缘解决方案和深度学习模型具有可重复和可扩展的特点。大堡礁公民组织创始人 Andy Ridley 希望将由戴尔技术解决方案提供支持的 GRC 扩展到全球其他的珊瑚位置。澳大利亚以外的首个试行点将设在印度尼西亚。

新加坡的戴尔数据科学团队对所选模型不断优化，并在业界进行了广泛的测试，确保其符合基准测试标准。戴尔专家使用 SegNet 来训练模型。SegNet 这种语义分割模型具有大约 3,000 万个参数，它训练出了一个强大的深度学习模型，并且随着输入更多训练数据，该深度学习模型的性能将继续得到改善。