Changes

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "Author": [
2
  "Author": [
            
3
    {
3
    {
            
4
      "affiliation": "Centre for Earth Observation Science - 
4
      "affiliation": "Centre for Earth Observation Science - 
            
5
University of Manitoba",
5
University of Manitoba",
            
6
      "creatorName": "Harasyn, Madison",
6
      "creatorName": "Harasyn, Madison",
            
7
      "email": "Madison.harasyn@umanitoba.ca",
7
      "email": "Madison.harasyn@umanitoba.ca",
            
8
      "nameIdentifier": "https://orcid.org/0000-0002-5741-6766",
8
      "nameIdentifier": "https://orcid.org/0000-0002-5741-6766",
            
9
      "nameIdentifierScheme": "ORCID",
9
      "nameIdentifierScheme": "ORCID",
            
10
      "nameType": "Personal",
10
      "nameType": "Personal",
            
11
      "schemeURI": "http://orcid.org/"
11
      "schemeURI": "http://orcid.org/"
            
12
    },
12
    },
            
13
    {
13
    {
            
14
      "affiliation": "Centre for Earth Observation Science - 
14
      "affiliation": "Centre for Earth Observation Science - 
            
15
University of Manitoba",
15
University of Manitoba",
            
16
      "creatorName": "Chan, Wayne",
16
      "creatorName": "Chan, Wayne",
            
17
      "email": "wayne.chan@umanitoba.ca",
17
      "email": "wayne.chan@umanitoba.ca",
            
18
      "nameIdentifier": "",
18
      "nameIdentifier": "",
            
19
      "nameType": "Personal"
19
      "nameType": "Personal"
            
20
    },
20
    },
            
21
    {
21
    {
            
22
      "affiliation": "Centre for Earth Observation Science - 
22
      "affiliation": "Centre for Earth Observation Science - 
            
23
University of Manitoba",
23
University of Manitoba",
            
24
      "creatorName": "Ausen, Emma",
24
      "creatorName": "Ausen, Emma",
            
25
      "email": "emma.ausen@umanitoba.ca",
25
      "email": "emma.ausen@umanitoba.ca",
            
26
      "nameIdentifier": "",
26
      "nameIdentifier": "",
            
27
      "nameType": "Personal"
27
      "nameType": "Personal"
            
28
    },
28
    },
            
29
    {
29
    {
            
30
      "affiliation": "Centre for Earth Observation Science - 
30
      "affiliation": "Centre for Earth Observation Science - 
            
31
University of Manitoba",
31
University of Manitoba",
            
32
      "creatorName": "Barber, David",
32
      "creatorName": "Barber, David",
            
33
      "email": "david.barber@umanitoba.ca",
33
      "email": "david.barber@umanitoba.ca",
            
34
      "nameIdentifier": "0000-0001-9466-3291",
34
      "nameIdentifier": "0000-0001-9466-3291",
            
35
      "nameIdentifierScheme": "ORCID",
35
      "nameIdentifierScheme": "ORCID",
            
36
      "nameType": "Personal",
36
      "nameType": "Personal",
            
37
      "schemeURI": "http://orcid.org/"
37
      "schemeURI": "http://orcid.org/"
            
38
    }
38
    }
            
39
  ],
39
  ],
            
40
  "Identifier": "10.1139/juvs-2021-0024",
40
  "Identifier": "10.1139/juvs-2021-0024",
            
41
  "PublicationYear": "2022",
41
  "PublicationYear": "2022",
            
42
  "Publisher": "Drone Systems and Applications",
42
  "Publisher": "Drone Systems and Applications",
            
43
  "ResourceType": "journal article",
43
  "ResourceType": "journal article",
            
44
  "Rights": "Creative Commons Attribution 4.0 International",
44
  "Rights": "Creative Commons Attribution 4.0 International",
            
45
  "Version": "1.0",
45
  "Version": "1.0",
            
46
  "author": null,
46
  "author": null,
            
47
  "author_email": null,
47
  "author_email": null,
            
n
48
  "awardTitle": "The Canada Excellence Research Chair (CERC) and the 
n

            
49
Canada Research Chair (CRC programs)",

            
50
  "awardURI": "https://www.cerc.gc.ca/",

            
51
  "citation": "Madison L.Harasyn, Wayne S.Chan, Emma L.Ausen, and 
48
  "citation": "Madison L.Harasyn, Wayne S.Chan, Emma L.Ausen, and 
            
52
David G.Barber. Detection and tracking of belugas, kayaks and 
49
David G.Barber. Detection and tracking of belugas, kayaks and 
            
53
motorized boats in drone video using deep learning. Drone Systems and 
50
motorized boats in drone video using deep learning. Drone Systems and 
            
54
Applications. 10(1): 77-96. https://doi.org/10.1139/juvs-2021-0024",
51
Applications. 10(1): 77-96. https://doi.org/10.1139/juvs-2021-0024",
            
55
  "creator_user_id": "cde7b848-a882-4fc7-97c9-670417bd6b43",
52
  "creator_user_id": "cde7b848-a882-4fc7-97c9-670417bd6b43",
            
56
  "descriptionType": "Abstract",
53
  "descriptionType": "Abstract",
            
n
57
  "funderIdentifier": "",
n
54
  "extras": [
            
55
    {
            
56
      "key": "awardTitle",
            
57
      "value": "The Canada Excellence Research Chair (CERC) and the 
            
58
Canada Research Chair (CRC programs)"
            
59
    },
            
60
    {
            
61
      "key": "awardURI",
            
62
      "value": "https://www.cerc.gc.ca/"
            
63
    },
            
64
    {
            
65
      "key": "funderIdentifier",
            
66
      "value": ""
            
67
    },
            
68
    {
            
58
  "funderIdentifierType": "",
69
      "key": "funderIdentifierType",
            
59
  "funderName": "",
70
      "value": ""
            
60
  "funderSchemeURI": "",
71
    },
            
61
  "grantNumber": "",
72
    {
            
73
      "key": "funderName",
            
74
      "value": ""
            
75
    },
            
76
    {
            
77
      "key": "funderSchemeURI",
            
78
      "value": ""
            
79
    },
            
80
    {
            
81
      "key": "grantNumber",
            
82
      "value": ""
            
83
    },
            
84
    {
            
85
      "key": "keywords",
            
86
      "value": "Beluga,Unmanned Aerial Vehicle,computer vision,deep 
            
87
learning,object detection,object tracking"
            
88
    }
            
89
  ],
            
62
  "groups": [
90
  "groups": [
            
n
n
91
    {
            
92
      "description": "Features and characteristics of salt water 
            
93
bodies.\r\n\r\nIn CEOS, related research themes include 
            
94
biogeochemistry, modelling, marine mammals, oil spill response, 
            
95
physical oceanography, remote sensing and technology and trace metals 
            
96
and contaminants",
            
97
      "display_name": "Marine",
            
98
      "id": "98238b1c-5be8-41ad-8c6e-74cdc4f5f369",
            
99
      "image_display_url": 
            
100
ata/uploads/group/2021-10-31-211516.365746ofinspireoceanographic.svg",
            
101
      "name": "marine",
            
102
      "title": "Marine"
            
103
    },
            
63
    {
104
    {
            
64
      "description": "Image: \"Earth from Space\" by NASA Goddard 
105
      "description": "Image: \"Earth from Space\" by NASA Goddard 
            
65
Photo and Video is licensed under CC BY 2.0",
106
Photo and Video is licensed under CC BY 2.0",
            
66
      "display_name": "Remote Sensing",
107
      "display_name": "Remote Sensing",
            
67
      "id": "3ec49cbb-4da6-4fe8-8d54-5b6ce03b49d9",
108
      "id": "3ec49cbb-4da6-4fe8-8d54-5b6ce03b49d9",
            
68
      "image_display_url": 
109
      "image_display_url": 
            
69
anitoba.ca/data/uploads/group/2022-02-05-222621.346712earthimage.jpg",
110
anitoba.ca/data/uploads/group/2022-02-05-222621.346712earthimage.jpg",
            
70
      "name": "remote-sensing",
111
      "name": "remote-sensing",
            
71
      "title": "Remote Sensing"
112
      "title": "Remote Sensing"
            
72
    }
113
    }
            
73
  ],
114
  ],
            
74
  "id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
115
  "id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
            
75
  "isopen": false,
116
  "isopen": false,
            
n
76
  "keywords": "Beluga,Unmanned Aerial Vehicle,computer vision,deep 
n

            
77
learning,object detection,object tracking",

            
78
  "language": "English",
117
  "language": "English",
            
79
  "licenceType": "Open",
118
  "licenceType": "Open",
            
80
  "license_id": null,
119
  "license_id": null,
            
81
  "license_title": null,
120
  "license_title": null,
            
82
  "maintainer": null,
121
  "maintainer": null,
            
83
  "maintainer_email": null,
122
  "maintainer_email": null,
            
84
  "metadata_created": "2022-04-07T19:45:13.021227",
123
  "metadata_created": "2022-04-07T19:45:13.021227",
            
n
85
  "metadata_modified": "2022-11-02T19:46:29.787030",
n
124
  "metadata_modified": "2023-05-18T21:05:56.950941",
            
86
  "name": "detect-video-deep-learning",
125
  "name": "detect-video-deep-learning",
            
87
  "notes": "Aerial imagery surveys are commonly used in marine mammal 
126
  "notes": "Aerial imagery surveys are commonly used in marine mammal 
            
88
research to determine population size, distribution and habitat use. 
127
research to determine population size, distribution and habitat use. 
            
89
Analysis of aerial photos involves hours of manually identifying 
128
Analysis of aerial photos involves hours of manually identifying 
            
90
individuals present in each image and converting raw counts into 
129
individuals present in each image and converting raw counts into 
            
91
useable biological statistics. Our research proposes the use of deep 
130
useable biological statistics. Our research proposes the use of deep 
            
92
learning algorithms to increase the efficiency of the marine mammal 
131
learning algorithms to increase the efficiency of the marine mammal 
            
93
research workflow. To test the feasibility of this proposal, the 
132
research workflow. To test the feasibility of this proposal, the 
            
94
existing YOLOv4 convolutional neural network model was trained to 
133
existing YOLOv4 convolutional neural network model was trained to 
            
95
detect belugas, kayaks and motorized boats in oblique drone imagery, 
134
detect belugas, kayaks and motorized boats in oblique drone imagery, 
            
96
collected from a stationary tethered system. Automated computer-based 
135
collected from a stationary tethered system. Automated computer-based 
            
97
object detection achieved the following precision and recall, 
136
object detection achieved the following precision and recall, 
            
98
respectively, for each class: beluga = 74%/72%; boat = 97%/99%; and 
137
respectively, for each class: beluga = 74%/72%; boat = 97%/99%; and 
            
99
kayak = 96%/96%. We then tested the performance of computer vision 
138
kayak = 96%/96%. We then tested the performance of computer vision 
            
100
tracking of belugas and occupied watercraft in drone videos using the 
139
tracking of belugas and occupied watercraft in drone videos using the 
            
101
DeepSORT tracking algorithm, which achieved a multiple-object tracking 
140
DeepSORT tracking algorithm, which achieved a multiple-object tracking 
            
102
accuracy (MOTA) ranging from 37% to 88% and multiple object tracking 
141
accuracy (MOTA) ranging from 37% to 88% and multiple object tracking 
            
103
precision (MOTP) between 63% and 86%. Results from this research 
142
precision (MOTP) between 63% and 86%. Results from this research 
            
104
indicate that deep learning technology can detect and track features 
143
indicate that deep learning technology can detect and track features 
            
105
more consistently than human annotators, allowing for larger datasets 
144
more consistently than human annotators, allowing for larger datasets 
            
106
to be processed within a fraction of the time while avoiding 
145
to be processed within a fraction of the time while avoiding 
            
107
discrepancies introduced by labeling fatigue or multiple human 
146
discrepancies introduced by labeling fatigue or multiple human 
            
108
annotators.",
147
annotators.",
            
n
109
  "num_resources": 1,
n
148
  "num_resources": 2,
            
110
  "num_tags": 6,
149
  "num_tags": 6,
            
111
  "organization": {
150
  "organization": {
            
112
    "approval_status": "approved",
151
    "approval_status": "approved",
            
113
    "created": "2017-07-21T13:15:49.935872",
152
    "created": "2017-07-21T13:15:49.935872",
            
114
    "description": "The Centre for Earth Observation Science (CEOS) 
153
    "description": "The Centre for Earth Observation Science (CEOS) 
            
115
was established in 1994 with a mandate to research, preserve and 
154
was established in 1994 with a mandate to research, preserve and 
            
116
communicate knowledge of Earth system processes using the technologies 
155
communicate knowledge of Earth system processes using the technologies 
            
117
of Earth Observation Science. Research is multidisciplinary and 
156
of Earth Observation Science. Research is multidisciplinary and 
            
118
collaborative seeking to understand the complex interrelationships 
157
collaborative seeking to understand the complex interrelationships 
            
119
between elements of Earth systems, and how these systems will likely 
158
between elements of Earth systems, and how these systems will likely 
            
120
respond to climate change. Although researchers have worked in many 
159
respond to climate change. Although researchers have worked in many 
            
121
regions, the Arctic marine system has always been a unifying focus of 
160
regions, the Arctic marine system has always been a unifying focus of 
            
122
activity.\r\n\r\nIn 2012, CEOS, along with the Greenland Climate 
161
activity.\r\n\r\nIn 2012, CEOS, along with the Greenland Climate 
            
123
Research Centre (GCRC, Nuuk, Greenland) and the Arctic Research Centre 
162
Research Centre (GCRC, Nuuk, Greenland) and the Arctic Research Centre 
            
124
(ARC, Aarhus, Denmark) established the Arctic Science Partnership, 
163
(ARC, Aarhus, Denmark) established the Arctic Science Partnership, 
            
125
thereby integrating academic and research initiatives.\r\n\r\nAreas of 
164
thereby integrating academic and research initiatives.\r\n\r\nAreas of 
            
126
existing research activity are divided among key themes:\r\n\r\nArctic 
165
existing research activity are divided among key themes:\r\n\r\nArctic 
            
127
Anthropology/Paleoclimatology: LiDAR scanning and digital site 
166
Anthropology/Paleoclimatology: LiDAR scanning and digital site 
            
128
preservation, archaeo-geophysics, permafrost degredation, lithic 
167
preservation, archaeo-geophysics, permafrost degredation, lithic 
            
129
morphometrics, zooarchaeology, proxy studies, paleodistribution of sea 
168
morphometrics, zooarchaeology, proxy studies, paleodistribution of sea 
            
130
ice, landscape learning, Paleo-Eskimo culture, Thule Inuit culture, 
169
ice, landscape learning, Paleo-Eskimo culture, Thule Inuit culture, 
            
131
ethnographic analogy, traditional knowledge, climate change and 
170
ethnographic analogy, traditional knowledge, climate change and 
            
132
northern heritage resource management.\r\n\r\nAtmospheric 
171
northern heritage resource management.\r\n\r\nAtmospheric 
            
133
Studies/Meteorology: Boundary layer, precipitation, clouds, storms and 
172
Studies/Meteorology: Boundary layer, precipitation, clouds, storms and 
            
134
extreme weather, circulation, eddy correlations, polar vortex, 
173
extreme weather, circulation, eddy correlations, polar vortex, 
            
135
climate, teleconnections, geophysical fluid dynamics, flux and energy 
174
climate, teleconnections, geophysical fluid dynamics, flux and energy 
            
136
budgets, ocean-sea ice-atmosphere interface, radiative transfer, ice 
175
budgets, ocean-sea ice-atmosphere interface, radiative transfer, ice 
            
137
albedo feedback, cloud radiative forcing, pCO2. 
176
albedo feedback, cloud radiative forcing, pCO2. 
            
138
\r\n\r\nBiogeochemistry: Organic carbon, greenhouse gases, bubbles, 
177
\r\n\r\nBiogeochemistry: Organic carbon, greenhouse gases, bubbles, 
            
139
Ikaite, carbonate chemistry, CO2 fluxes, mercury and other trace 
178
Ikaite, carbonate chemistry, CO2 fluxes, mercury and other trace 
            
140
metals, minerals, hydrocarbons, brine processes, otolith 
179
metals, minerals, hydrocarbons, brine processes, otolith 
            
141
microchemistry, sediments, biomarkers. \r\n\r\nContaminants: Mercury, 
180
microchemistry, sediments, biomarkers. \r\n\r\nContaminants: Mercury, 
            
142
trace metals, PAHs, source, transport, transformation, pathways, 
181
trace metals, PAHs, source, transport, transformation, pathways, 
            
143
bioaccumulations, marine ecosystems, marine chemistry. \r\nEarth 
182
bioaccumulations, marine ecosystems, marine chemistry. \r\nEarth 
            
144
Observation Science: Active and passive microwave, LiDAR, EM 
183
Observation Science: Active and passive microwave, LiDAR, EM 
            
145
induction, spatial-temporal analysis, forward and inverse scattering 
184
induction, spatial-temporal analysis, forward and inverse scattering 
            
146
models, complex permittivity, ocean colour, ocean surface roughness, 
185
models, complex permittivity, ocean colour, ocean surface roughness, 
            
147
NIR, TIR, satellite telemetry, GPS. Ice-Associated Biology: 
186
NIR, TIR, satellite telemetry, GPS. Ice-Associated Biology: 
            
148
Biophysical processes, primary production; ice algae, ice 
187
Biophysical processes, primary production; ice algae, ice 
            
149
microbiology, bio-optics, under-ice phytoplankton. \r\n\r\nInland 
188
microbiology, bio-optics, under-ice phytoplankton. \r\n\r\nInland 
            
150
Lakes and Waters: Hydrologic connectivity, watershed systems, sediment 
189
Lakes and Waters: Hydrologic connectivity, watershed systems, sediment 
            
151
transport, nutrient transport, contaminants, landscape processes, 
190
transport, nutrient transport, contaminants, landscape processes, 
            
152
remote sensing, freshwater-marine coupling. Marine Mammals: Seals, 
191
remote sensing, freshwater-marine coupling. Marine Mammals: Seals, 
            
153
whales, habitat, conservation, satellite telemetry, distribution, 
192
whales, habitat, conservation, satellite telemetry, distribution, 
            
154
population studies, prey behaviour, bioacoustics.\r\n\r\nModelling: 
193
population studies, prey behaviour, bioacoustics.\r\n\r\nModelling: 
            
155
Simulation of sea ice and oceanic regional processes, Nucleus for 
194
Simulation of sea ice and oceanic regional processes, Nucleus for 
            
156
European Modelling of the Ocean (NEMO), ice-ocean modelling and 
195
European Modelling of the Ocean (NEMO), ice-ocean modelling and 
            
157
interactions, hind cast simulations and projections for sea ice state 
196
interactions, hind cast simulations and projections for sea ice state 
            
158
and ocean variables based on CMIP5 scenarios and MIROC5 forcing, 
197
and ocean variables based on CMIP5 scenarios and MIROC5 forcing, 
            
159
validation.\r\n\r\nOceanography: Circulation, temperature, in-flow and 
198
validation.\r\n\r\nOceanography: Circulation, temperature, in-flow and 
            
160
out-flow shelves, water dynamics, microturbulence, Beaufort Gyre, eddy 
199
out-flow shelves, water dynamics, microturbulence, Beaufort Gyre, eddy 
            
161
correlations.\r\n\r\nSea Ice Geophysics:Thermodynamic and dynamic 
200
correlations.\r\n\r\nSea Ice Geophysics:Thermodynamic and dynamic 
            
162
processes, extreme ice features and hazards, snow, ridges, 
201
processes, extreme ice features and hazards, snow, ridges, 
            
163
polynyas.\r\n\r\nTraditional and Local Knowledge: Indigenous cultures, 
202
polynyas.\r\n\r\nTraditional and Local Knowledge: Indigenous cultures, 
            
164
Inuit, Inuvialuit, oral history, toponomy, mobility and settlement, 
203
Inuit, Inuvialuit, oral history, toponomy, mobility and settlement, 
            
165
hunting, food security, sea ice use, community-based research, 
204
hunting, food security, sea ice use, community-based research, 
            
166
community-based monitoring, two ways of knowing.",
205
community-based monitoring, two ways of knowing.",
            
167
    "id": "9e21f6b6-d13f-4ba2-a379-fd962f507071",
206
    "id": "9e21f6b6-d13f-4ba2-a379-fd962f507071",
            
168
    "image_url": "2021-11-13-003953.952874UMLogoHORZ.jpg",
207
    "image_url": "2021-11-13-003953.952874UMLogoHORZ.jpg",
            
169
    "is_organization": true,
208
    "is_organization": true,
            
170
    "name": "ceos",
209
    "name": "ceos",
            
171
    "state": "active",
210
    "state": "active",
            
172
    "title": "Centre for Earth Observation Science",
211
    "title": "Centre for Earth Observation Science",
            
173
    "type": "organization"
212
    "type": "organization"
            
174
  },
213
  },
            
175
  "owner_org": "9e21f6b6-d13f-4ba2-a379-fd962f507071",
214
  "owner_org": "9e21f6b6-d13f-4ba2-a379-fd962f507071",
            
176
  "private": false,
215
  "private": false,
            
n
177
  "related_datasets": "[\"b5f259b4-3ace-4750-bfb0-47c4e794082f\"]",
n
216
  "related_datasets": [
            
217
    "b5f259b4-3ace-4750-bfb0-47c4e794082f"
            
218
  ],
            
178
  "related_programs": "[]",
219
  "related_programs": [],
            
179
  "relationships_as_object": [],
220
  "relationships_as_object": [],
            
180
  "relationships_as_subject": [],
221
  "relationships_as_subject": [],
            
181
  "resources": [
222
  "resources": [
            
182
    {
223
    {
            
183
      "cache_last_updated": null,
224
      "cache_last_updated": null,
            
184
      "cache_url": null,
225
      "cache_url": null,
            
185
      "created": "2022-04-07T19:49:13.974750",
226
      "created": "2022-04-07T19:49:13.974750",
            
186
      "datastore_active": false,
227
      "datastore_active": false,
            
187
      "datastore_contains_all_records_of_source_file": false,
228
      "datastore_contains_all_records_of_source_file": false,
            
188
      "description": "Churchill Beluga Boat Drone Imagery related 
229
      "description": "Churchill Beluga Boat Drone Imagery related 
            
189
journal article published in Drone Systems and Applications.\r\nDOI: 
230
journal article published in Drone Systems and Applications.\r\nDOI: 
            
190
https://doi.org/10.1139/juvs-2021-0024",
231
https://doi.org/10.1139/juvs-2021-0024",
            
191
      "format": "PDF",
232
      "format": "PDF",
            
192
      "hash": "",
233
      "hash": "",
            
193
      "id": "5bcbb0bc-425b-4fad-b7ff-4c8599043dcf",
234
      "id": "5bcbb0bc-425b-4fad-b7ff-4c8599043dcf",
            
194
      "last_modified": "2022-04-07T20:02:20.594051",
235
      "last_modified": "2022-04-07T20:02:20.594051",
            
n
195
      "metadata_modified": "2022-04-07T20:02:20.619290",
n
236
      "metadata_modified": "2023-05-18T21:05:56.975275",
            
196
      "mimetype": "application/pdf",
237
      "mimetype": "application/pdf",
            
197
      "mimetype_inner": null,
238
      "mimetype_inner": null,
            
198
      "name": "Detection and tracking of belugas, kayaks and motorized 
239
      "name": "Detection and tracking of belugas, kayaks and motorized 
            
199
boats in drone video using deep learning",
240
boats in drone video using deep learning",
            
200
      "package_id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
241
      "package_id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
            
201
      "position": 0,
242
      "position": 0,
            
202
      "resCategory": "supplemental",
243
      "resCategory": "supplemental",
            
203
      "resource_type": null,
244
      "resource_type": null,
            
204
      "size": 4104522,
245
      "size": 4104522,
            
205
      "state": "active",
246
      "state": "active",
            
206
      "url": 
247
      "url": 
            
207
rce/5bcbb0bc-425b-4fad-b7ff-4c8599043dcf/download/juvs-2021-0024.pdf",
248
rce/5bcbb0bc-425b-4fad-b7ff-4c8599043dcf/download/juvs-2021-0024.pdf",
            
208
      "url_type": "upload"
249
      "url_type": "upload"
            
t
t
250
    },
            
251
    {
            
252
      "cache_last_updated": null,
            
253
      "cache_url": null,
            
254
      "created": "2023-05-18T21:05:57.006643",
            
255
      "datastore_active": false,
            
256
      "datastore_contains_all_records_of_source_file": false,
            
257
      "description": "Researchers at CEOS are often asked to write a 
            
258
field story about their work, to make their research more accessible. 
            
259
We decided to do something a little different for our work on applying 
            
260
machine learning to detecting and tracking beluga whales: we are 
            
261
presenting it as a comic-book style video!",
            
262
      "format": "",
            
263
      "hash": "",
            
264
      "id": "1cd6dbae-5c9d-440d-b29b-26c84fbc5a7c",
            
265
      "last_modified": null,
            
266
      "metadata_modified": "2023-05-18T21:05:56.975546",
            
267
      "mimetype": null,
            
268
      "mimetype_inner": null,
            
269
      "name": "One Beluga, Two Beluga, Three Beluga, Four: How to 
            
270
Count Belugas When You Run Out of Fingers and Toes",
            
271
      "package_id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
            
272
      "position": 1,
            
273
      "resCategory": "supplemental",
            
274
      "resource_type": null,
            
275
      "size": null,
            
276
      "state": "active",
            
277
      "url": 
            
278
n/beluga-graphic-novel/resource/58aed159-4a62-4c2b-9978-967ad5f356a6",
            
279
      "url_type": null
            
209
    }
280
    }
            
210
  ],
281
  ],
            
211
  "rightsIdentifier": "CC-BY-4.0",
282
  "rightsIdentifier": "CC-BY-4.0",
            
212
  "rightsIdentifierScheme": "SPDX",
283
  "rightsIdentifierScheme": "SPDX",
            
213
  "rightsSchemeURI": "https://spdx.org/licenses",
284
  "rightsSchemeURI": "https://spdx.org/licenses",
            
214
  "rightsURI": "https://spdx.org/licenses/CC-BY-4.0.html",
285
  "rightsURI": "https://spdx.org/licenses/CC-BY-4.0.html",
            
215
  "schemeURI": "",
286
  "schemeURI": "",
            
216
  "state": "active",
287
  "state": "active",
            
217
  "subjectScheme": "",
288
  "subjectScheme": "",
            
218
  "tags": [
289
  "tags": [
            
219
    {
290
    {
            
220
      "display_name": "Beluga",
291
      "display_name": "Beluga",
            
221
      "id": "a9f25a89-b0ef-4d4d-993d-73f28e0d702a",
292
      "id": "a9f25a89-b0ef-4d4d-993d-73f28e0d702a",
            
222
      "name": "Beluga",
293
      "name": "Beluga",
            
223
      "state": "active",
294
      "state": "active",
            
224
      "vocabulary_id": null
295
      "vocabulary_id": null
            
225
    },
296
    },
            
226
    {
297
    {
            
227
      "display_name": "Unmanned Aerial Vehicle",
298
      "display_name": "Unmanned Aerial Vehicle",
            
228
      "id": "a6dc9001-e6da-4a84-bfec-2941d3ebce78",
299
      "id": "a6dc9001-e6da-4a84-bfec-2941d3ebce78",
            
229
      "name": "Unmanned Aerial Vehicle",
300
      "name": "Unmanned Aerial Vehicle",
            
230
      "state": "active",
301
      "state": "active",
            
231
      "vocabulary_id": null
302
      "vocabulary_id": null
            
232
    },
303
    },
            
233
    {
304
    {
            
234
      "display_name": "computer vision",
305
      "display_name": "computer vision",
            
235
      "id": "d7270905-c420-4d19-aa9c-c6f818ab5b67",
306
      "id": "d7270905-c420-4d19-aa9c-c6f818ab5b67",
            
236
      "name": "computer vision",
307
      "name": "computer vision",
            
237
      "state": "active",
308
      "state": "active",
            
238
      "vocabulary_id": null
309
      "vocabulary_id": null
            
239
    },
310
    },
            
240
    {
311
    {
            
241
      "display_name": "deep learning",
312
      "display_name": "deep learning",
            
242
      "id": "87526358-2d8a-4c78-8375-38c132b53d5a",
313
      "id": "87526358-2d8a-4c78-8375-38c132b53d5a",
            
243
      "name": "deep learning",
314
      "name": "deep learning",
            
244
      "state": "active",
315
      "state": "active",
            
245
      "vocabulary_id": null
316
      "vocabulary_id": null
            
246
    },
317
    },
            
247
    {
318
    {
            
248
      "display_name": "object detection",
319
      "display_name": "object detection",
            
249
      "id": "a3d44586-cba5-4685-b07a-2d2f16578353",
320
      "id": "a3d44586-cba5-4685-b07a-2d2f16578353",
            
250
      "name": "object detection",
321
      "name": "object detection",
            
251
      "state": "active",
322
      "state": "active",
            
252
      "vocabulary_id": null
323
      "vocabulary_id": null
            
253
    },
324
    },
            
254
    {
325
    {
            
255
      "display_name": "object tracking",
326
      "display_name": "object tracking",
            
256
      "id": "28ce0864-2ed8-43d1-b80d-d79684cac63f",
327
      "id": "28ce0864-2ed8-43d1-b80d-d79684cac63f",
            
257
      "name": "object tracking",
328
      "name": "object tracking",
            
258
      "state": "active",
329
      "state": "active",
            
259
      "vocabulary_id": null
330
      "vocabulary_id": null
            
260
    }
331
    }
            
261
  ],
332
  ],
            
262
  "theme": [
333
  "theme": [
            
263
    "8f8cd877-b037-4b1a-b928-f86d9e093741",
334
    "8f8cd877-b037-4b1a-b928-f86d9e093741",
            
264
    "98238b1c-5be8-41ad-8c6e-74cdc4f5f369",
335
    "98238b1c-5be8-41ad-8c6e-74cdc4f5f369",
            
265
    "3ec49cbb-4da6-4fe8-8d54-5b6ce03b49d9"
336
    "3ec49cbb-4da6-4fe8-8d54-5b6ce03b49d9"
            
266
  ],
337
  ],
            
267
  "title": "Detection and tracking of belugas, kayaks and motorized 
338
  "title": "Detection and tracking of belugas, kayaks and motorized 
            
268
boats in drone video using deep learning",
339
boats in drone video using deep learning",
            
269
  "type": "publication",
340
  "type": "publication",
            
270
  "url": null,
341
  "url": null,
            
271
  "version": null
342
  "version": null
            
272
}
343
}