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,
            
48
  "awardTitle": "The Canada Excellence Research Chair (CERC) and the 
48
  "awardTitle": "The Canada Excellence Research Chair (CERC) and the 
            
49
Canada Research Chair (CRC programs)",
49
Canada Research Chair (CRC programs)",
            
50
  "awardURI": "https://www.cerc.gc.ca/",
50
  "awardURI": "https://www.cerc.gc.ca/",
            
51
  "citation": "Madison L.Harasyn, Wayne S.Chan, Emma L.Ausen, and 
51
  "citation": "Madison L.Harasyn, Wayne S.Chan, Emma L.Ausen, and 
            
52
David G.Barber. Detection and tracking of belugas, kayaks and 
52
David G.Barber. Detection and tracking of belugas, kayaks and 
            
53
motorized boats in drone video using deep learning. Drone Systems and 
53
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",
54
Applications. 10(1): 77-96. https://doi.org/10.1139/juvs-2021-0024",
            
55
  "creator_user_id": "cde7b848-a882-4fc7-97c9-670417bd6b43",
55
  "creator_user_id": "cde7b848-a882-4fc7-97c9-670417bd6b43",
            
56
  "descriptionType": "Abstract",
56
  "descriptionType": "Abstract",
            
57
  "funderIdentifier": "",
57
  "funderIdentifier": "",
            
58
  "funderIdentifierType": "",
58
  "funderIdentifierType": "",
            
59
  "funderName": "",
59
  "funderName": "",
            
60
  "funderSchemeURI": "",
60
  "funderSchemeURI": "",
            
61
  "grantNumber": "",
61
  "grantNumber": "",
            
62
  "groups": [
62
  "groups": [
            
63
    {
63
    {
            
64
      "description": "Inland water features, drainage systems and 
64
      "description": "Inland water features, drainage systems and 
            
65
their characteristics. Examples of data you can find here include 
65
their characteristics. Examples of data you can find here include 
            
66
river and lake data, water quality data. \r\n\r\nIn CEOS, related 
66
river and lake data, water quality data. \r\n\r\nIn CEOS, related 
            
67
research themes include biogeochemistry, Inland lakes and waters, 
67
research themes include biogeochemistry, Inland lakes and waters, 
            
68
modelling, remote sensing and technology, trace metals and 
68
modelling, remote sensing and technology, trace metals and 
            
69
contaminants.",
69
contaminants.",
            
70
      "display_name": "Freshwater",
70
      "display_name": "Freshwater",
            
71
      "id": "8f8cd877-b037-4b1a-b928-f86d9e093741",
71
      "id": "8f8cd877-b037-4b1a-b928-f86d9e093741",
            
72
      "image_display_url": 
72
      "image_display_url": 
            
73
/data/uploads/group/2021-10-31-211937.658599hyinspirehydrography.svg",
73
/data/uploads/group/2021-10-31-211937.658599hyinspirehydrography.svg",
            
74
      "name": "freshwater",
74
      "name": "freshwater",
            
75
      "title": "Freshwater"
75
      "title": "Freshwater"
            
76
    },
76
    },
            
77
    {
77
    {
            
78
      "description": "Features and characteristics of salt water 
78
      "description": "Features and characteristics of salt water 
            
79
bodies.\r\n\r\nIn CEOS, related research themes include 
79
bodies.\r\n\r\nIn CEOS, related research themes include 
            
80
biogeochemistry, modelling, marine mammals, oil spill response, 
80
biogeochemistry, modelling, marine mammals, oil spill response, 
            
81
physical oceanography, remote sensing and technology and trace metals 
81
physical oceanography, remote sensing and technology and trace metals 
            
82
and contaminants",
82
and contaminants",
            
83
      "display_name": "Marine",
83
      "display_name": "Marine",
            
84
      "id": "98238b1c-5be8-41ad-8c6e-74cdc4f5f369",
84
      "id": "98238b1c-5be8-41ad-8c6e-74cdc4f5f369",
            
85
      "image_display_url": 
85
      "image_display_url": 
            
86
ata/uploads/group/2021-10-31-211516.365746ofinspireoceanographic.svg",
86
ata/uploads/group/2021-10-31-211516.365746ofinspireoceanographic.svg",
            
87
      "name": "marine",
87
      "name": "marine",
            
88
      "title": "Marine"
88
      "title": "Marine"
            
89
    }
89
    }
            
90
  ],
90
  ],
            
91
  "id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
91
  "id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
            
92
  "isopen": false,
92
  "isopen": false,
            
93
  "keywords": "computer vision,deep learning,Unmanned Aerial 
93
  "keywords": "computer vision,deep learning,Unmanned Aerial 
            
94
Vehicle,beluga,object detection,object tracking",
94
Vehicle,beluga,object detection,object tracking",
            
95
  "language": "English",
95
  "language": "English",
            
96
  "licenceType": "Open",
96
  "licenceType": "Open",
            
97
  "license_id": null,
97
  "license_id": null,
            
98
  "license_title": null,
98
  "license_title": null,
            
99
  "maintainer": null,
99
  "maintainer": null,
            
100
  "maintainer_email": null,
100
  "maintainer_email": null,
            
101
  "metadata_created": "2022-04-07T19:45:13.021227",
101
  "metadata_created": "2022-04-07T19:45:13.021227",
            
n
102
  "metadata_modified": "2022-04-07T19:49:13.958157",
n
102
  "metadata_modified": "2022-04-07T19:49:14.245866",
            
103
  "name": 
103
  "name": 
            
104
elugas-kayaks-and-motorized-boats-in-drone-video-using-deep-learning",
104
elugas-kayaks-and-motorized-boats-in-drone-video-using-deep-learning",
            
105
  "notes": "\"Aerial imagery surveys are commonly used in marine 
105
  "notes": "\"Aerial imagery surveys are commonly used in marine 
            
106
mammal research to determine population size, distribution and habitat 
106
mammal research to determine population size, distribution and habitat 
            
107
use. Analysis of aerial photos involves hours of manually identifying 
107
use. Analysis of aerial photos involves hours of manually identifying 
            
108
individuals present in each image and converting raw counts into 
108
individuals present in each image and converting raw counts into 
            
109
useable biological statistics. Our research proposes the use of deep 
109
useable biological statistics. Our research proposes the use of deep 
            
110
learning algorithms to increase the efficiency of the marine mammal 
110
learning algorithms to increase the efficiency of the marine mammal 
            
111
research workflow. To test the feasibility of this proposal, the 
111
research workflow. To test the feasibility of this proposal, the 
            
112
existing YOLOv4 convolutional neural network model was trained to 
112
existing YOLOv4 convolutional neural network model was trained to 
            
113
detect belugas, kayaks and motorized boats in oblique drone imagery, 
113
detect belugas, kayaks and motorized boats in oblique drone imagery, 
            
114
collected from a stationary tethered system. Automated computer-based 
114
collected from a stationary tethered system. Automated computer-based 
            
115
object detection achieved the following precision and recall, 
115
object detection achieved the following precision and recall, 
            
116
respectively, for each class: beluga = 74%/72%; boat = 97%/99%; and 
116
respectively, for each class: beluga = 74%/72%; boat = 97%/99%; and 
            
117
kayak = 96%/96%. We then tested the performance of computer vision 
117
kayak = 96%/96%. We then tested the performance of computer vision 
            
118
tracking of belugas and occupied watercraft in drone videos using the 
118
tracking of belugas and occupied watercraft in drone videos using the 
            
119
DeepSORT tracking algorithm, which achieved a multiple-object tracking 
119
DeepSORT tracking algorithm, which achieved a multiple-object tracking 
            
120
accuracy (MOTA) ranging from 37% to 88% and multiple object tracking 
120
accuracy (MOTA) ranging from 37% to 88% and multiple object tracking 
            
121
precision (MOTP) between 63% and 86%. Results from this research 
121
precision (MOTP) between 63% and 86%. Results from this research 
            
122
indicate that deep learning technology can detect and track features 
122
indicate that deep learning technology can detect and track features 
            
123
more consistently than human annotators, allowing for larger datasets 
123
more consistently than human annotators, allowing for larger datasets 
            
124
to be processed within a fraction of the time while avoiding 
124
to be processed within a fraction of the time while avoiding 
            
125
discrepancies introduced by labeling fatigue or multiple human 
125
discrepancies introduced by labeling fatigue or multiple human 
            
126
annotators.\"",
126
annotators.\"",
            
127
  "num_resources": 1,
127
  "num_resources": 1,
            
128
  "num_tags": 6,
128
  "num_tags": 6,
            
129
  "organization": {
129
  "organization": {
            
130
    "approval_status": "approved",
130
    "approval_status": "approved",
            
131
    "created": "2017-07-21T13:15:49.935872",
131
    "created": "2017-07-21T13:15:49.935872",
            
132
    "description": "The Centre for Earth Observation Science (CEOS) 
132
    "description": "The Centre for Earth Observation Science (CEOS) 
            
133
was established in 1994 with a mandate to research, preserve and 
133
was established in 1994 with a mandate to research, preserve and 
            
134
communicate knowledge of Earth system processes using the technologies 
134
communicate knowledge of Earth system processes using the technologies 
            
135
of Earth Observation Science. Research is multidisciplinary and 
135
of Earth Observation Science. Research is multidisciplinary and 
            
136
collaborative seeking to understand the complex interrelationships 
136
collaborative seeking to understand the complex interrelationships 
            
137
between elements of Earth systems, and how these systems will likely 
137
between elements of Earth systems, and how these systems will likely 
            
138
respond to climate change. Although researchers have worked in many 
138
respond to climate change. Although researchers have worked in many 
            
139
regions, the Arctic marine system has always been a unifying focus of 
139
regions, the Arctic marine system has always been a unifying focus of 
            
140
activity.\r\n\r\nIn 2012, CEOS, along with the Greenland Climate 
140
activity.\r\n\r\nIn 2012, CEOS, along with the Greenland Climate 
            
141
Research Centre (GCRC, Nuuk, Greenland) and the Arctic Research Centre 
141
Research Centre (GCRC, Nuuk, Greenland) and the Arctic Research Centre 
            
142
(ARC, Aarhus, Denmark) established the Arctic Science Partnership, 
142
(ARC, Aarhus, Denmark) established the Arctic Science Partnership, 
            
143
thereby integrating academic and research initiatives.\r\n\r\nAreas of 
143
thereby integrating academic and research initiatives.\r\n\r\nAreas of 
            
144
existing research activity are divided among key themes:\r\n\r\nArctic 
144
existing research activity are divided among key themes:\r\n\r\nArctic 
            
145
Anthropology/Paleoclimatology: LiDAR scanning and digital site 
145
Anthropology/Paleoclimatology: LiDAR scanning and digital site 
            
146
preservation, archaeo-geophysics, permafrost degredation, lithic 
146
preservation, archaeo-geophysics, permafrost degredation, lithic 
            
147
morphometrics, zooarchaeology, proxy studies, paleodistribution of sea 
147
morphometrics, zooarchaeology, proxy studies, paleodistribution of sea 
            
148
ice, landscape learning, Paleo-Eskimo culture, Thule Inuit culture, 
148
ice, landscape learning, Paleo-Eskimo culture, Thule Inuit culture, 
            
149
ethnographic analogy, traditional knowledge, climate change and 
149
ethnographic analogy, traditional knowledge, climate change and 
            
150
northern heritage resource management.\r\n\r\nAtmospheric 
150
northern heritage resource management.\r\n\r\nAtmospheric 
            
151
Studies/Meteorology: Boundary layer, precipitation, clouds, storms and 
151
Studies/Meteorology: Boundary layer, precipitation, clouds, storms and 
            
152
extreme weather, circulation, eddy correlations, polar vortex, 
152
extreme weather, circulation, eddy correlations, polar vortex, 
            
153
climate, teleconnections, geophysical fluid dynamics, flux and energy 
153
climate, teleconnections, geophysical fluid dynamics, flux and energy 
            
154
budgets, ocean-sea ice-atmosphere interface, radiative transfer, ice 
154
budgets, ocean-sea ice-atmosphere interface, radiative transfer, ice 
            
155
albedo feedback, cloud radiative forcing, pCO2. 
155
albedo feedback, cloud radiative forcing, pCO2. 
            
156
\r\n\r\nBiogeochemistry: Organic carbon, greenhouse gases, bubbles, 
156
\r\n\r\nBiogeochemistry: Organic carbon, greenhouse gases, bubbles, 
            
157
Ikaite, carbonate chemistry, CO2 fluxes, mercury and other trace 
157
Ikaite, carbonate chemistry, CO2 fluxes, mercury and other trace 
            
158
metals, minerals, hydrocarbons, brine processes, otolith 
158
metals, minerals, hydrocarbons, brine processes, otolith 
            
159
microchemistry, sediments, biomarkers. \r\n\r\nContaminants: Mercury, 
159
microchemistry, sediments, biomarkers. \r\n\r\nContaminants: Mercury, 
            
160
trace metals, PAHs, source, transport, transformation, pathways, 
160
trace metals, PAHs, source, transport, transformation, pathways, 
            
161
bioaccumulations, marine ecosystems, marine chemistry. \r\nEarth 
161
bioaccumulations, marine ecosystems, marine chemistry. \r\nEarth 
            
162
Observation Science: Active and passive microwave, LiDAR, EM 
162
Observation Science: Active and passive microwave, LiDAR, EM 
            
163
induction, spatial-temporal analysis, forward and inverse scattering 
163
induction, spatial-temporal analysis, forward and inverse scattering 
            
164
models, complex permittivity, ocean colour, ocean surface roughness, 
164
models, complex permittivity, ocean colour, ocean surface roughness, 
            
165
NIR, TIR, satellite telemetry, GPS. Ice-Associated Biology: 
165
NIR, TIR, satellite telemetry, GPS. Ice-Associated Biology: 
            
166
Biophysical processes, primary production; ice algae, ice 
166
Biophysical processes, primary production; ice algae, ice 
            
167
microbiology, bio-optics, under-ice phytoplankton. \r\n\r\nInland 
167
microbiology, bio-optics, under-ice phytoplankton. \r\n\r\nInland 
            
168
Lakes and Waters: Hydrologic connectivity, watershed systems, sediment 
168
Lakes and Waters: Hydrologic connectivity, watershed systems, sediment 
            
169
transport, nutrient transport, contaminants, landscape processes, 
169
transport, nutrient transport, contaminants, landscape processes, 
            
170
remote sensing, freshwater-marine coupling. Marine Mammals: Seals, 
170
remote sensing, freshwater-marine coupling. Marine Mammals: Seals, 
            
171
whales, habitat, conservation, satellite telemetry, distribution, 
171
whales, habitat, conservation, satellite telemetry, distribution, 
            
172
population studies, prey behaviour, bioacoustics.\r\n\r\nModelling: 
172
population studies, prey behaviour, bioacoustics.\r\n\r\nModelling: 
            
173
Simulation of sea ice and oceanic regional processes, Nucleus for 
173
Simulation of sea ice and oceanic regional processes, Nucleus for 
            
174
European Modelling of the Ocean (NEMO), ice-ocean modelling and 
174
European Modelling of the Ocean (NEMO), ice-ocean modelling and 
            
175
interactions, hind cast simulations and projections for sea ice state 
175
interactions, hind cast simulations and projections for sea ice state 
            
176
and ocean variables based on CMIP5 scenarios and MIROC5 forcing, 
176
and ocean variables based on CMIP5 scenarios and MIROC5 forcing, 
            
177
validation.\r\n\r\nOceanography: Circulation, temperature, in-flow and 
177
validation.\r\n\r\nOceanography: Circulation, temperature, in-flow and 
            
178
out-flow shelves, water dynamics, microturbulence, Beaufort Gyre, eddy 
178
out-flow shelves, water dynamics, microturbulence, Beaufort Gyre, eddy 
            
179
correlations.\r\n\r\nSea Ice Geophysics:Thermodynamic and dynamic 
179
correlations.\r\n\r\nSea Ice Geophysics:Thermodynamic and dynamic 
            
180
processes, extreme ice features and hazards, snow, ridges, 
180
processes, extreme ice features and hazards, snow, ridges, 
            
181
polynyas.\r\n\r\nTraditional and Local Knowledge: Indigenous cultures, 
181
polynyas.\r\n\r\nTraditional and Local Knowledge: Indigenous cultures, 
            
182
Inuit, Inuvialuit, oral history, toponomy, mobility and settlement, 
182
Inuit, Inuvialuit, oral history, toponomy, mobility and settlement, 
            
183
hunting, food security, sea ice use, community-based research, 
183
hunting, food security, sea ice use, community-based research, 
            
184
community-based monitoring, two ways of knowing.",
184
community-based monitoring, two ways of knowing.",
            
185
    "id": "9e21f6b6-d13f-4ba2-a379-fd962f507071",
185
    "id": "9e21f6b6-d13f-4ba2-a379-fd962f507071",
            
186
    "image_url": "2021-11-13-003953.952874UMLogoHORZ.jpg",
186
    "image_url": "2021-11-13-003953.952874UMLogoHORZ.jpg",
            
187
    "is_organization": true,
187
    "is_organization": true,
            
188
    "name": "ceos2",
188
    "name": "ceos2",
            
189
    "state": "active",
189
    "state": "active",
            
190
    "title": "CEOS",
190
    "title": "CEOS",
            
191
    "type": "organization"
191
    "type": "organization"
            
192
  },
192
  },
            
193
  "owner_org": "9e21f6b6-d13f-4ba2-a379-fd962f507071",
193
  "owner_org": "9e21f6b6-d13f-4ba2-a379-fd962f507071",
            
194
  "private": false,
194
  "private": false,
            
195
  "relatedResources": [
195
  "relatedResources": [
            
196
    {
196
    {
            
197
      "RelatedIdentifier": "",
197
      "RelatedIdentifier": "",
            
198
      "ResourceTypeGeneral": "",
198
      "ResourceTypeGeneral": "",
            
199
      "name": "",
199
      "name": "",
            
200
      "relatedIdentifierType": "",
200
      "relatedIdentifierType": "",
            
201
      "relationType": "",
201
      "relationType": "",
            
202
      "resourceType": "Online Resource",
202
      "resourceType": "Online Resource",
            
203
      "seriesName": ""
203
      "seriesName": ""
            
204
    }
204
    }
            
205
  ],
205
  ],
            
206
  "related_datasets": "[]",
206
  "related_datasets": "[]",
            
207
  "related_programs": "[]",
207
  "related_programs": "[]",
            
208
  "relationships_as_object": [],
208
  "relationships_as_object": [],
            
209
  "relationships_as_subject": [],
209
  "relationships_as_subject": [],
            
210
  "resources": [
210
  "resources": [
            
211
    {
211
    {
            
212
      "cache_last_updated": null,
212
      "cache_last_updated": null,
            
213
      "cache_url": null,
213
      "cache_url": null,
            
214
      "created": "2022-04-07T19:49:13.974750",
214
      "created": "2022-04-07T19:49:13.974750",
            
215
      "datastore_active": false,
215
      "datastore_active": false,
            
216
      "datastore_contains_all_records_of_source_file": false,
216
      "datastore_contains_all_records_of_source_file": false,
            
217
      "description": "Churchill Beluga Boat Drone Imagery related 
217
      "description": "Churchill Beluga Boat Drone Imagery related 
            
218
journal article published in Drone Systems and Applications.",
218
journal article published in Drone Systems and Applications.",
            
219
      "format": "",
219
      "format": "",
            
220
      "hash": "",
220
      "hash": "",
            
221
      "id": "5bcbb0bc-425b-4fad-b7ff-4c8599043dcf",
221
      "id": "5bcbb0bc-425b-4fad-b7ff-4c8599043dcf",
            
222
      "last_modified": null,
222
      "last_modified": null,
            
n
223
      "metadata_modified": "2022-04-07T19:49:13.961640",
n
223
      "metadata_modified": "2022-04-07T19:49:14.249368",
            
224
      "mimetype": null,
224
      "mimetype": null,
            
225
      "mimetype_inner": null,
225
      "mimetype_inner": null,
            
226
      "name": "Detection and tracking of belugas, kayaks and motorized 
226
      "name": "Detection and tracking of belugas, kayaks and motorized 
            
227
boats in drone video using deep learning",
227
boats in drone video using deep learning",
            
228
      "package_id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
228
      "package_id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
            
229
      "position": 0,
229
      "position": 0,
            
230
      "resCategory": "supplemental",
230
      "resCategory": "supplemental",
            
231
      "resource_type": null,
231
      "resource_type": null,
            
232
      "size": null,
232
      "size": null,
            
233
      "state": "active",
233
      "state": "active",
            
234
      "url": "https://doi.org/10.1139/juvs-2021-0024",
234
      "url": "https://doi.org/10.1139/juvs-2021-0024",
            
235
      "url_type": null
235
      "url_type": null
            
236
    }
236
    }
            
237
  ],
237
  ],
            
238
  "rightsIdentifier": "CC-BY-4.0",
238
  "rightsIdentifier": "CC-BY-4.0",
            
239
  "rightsIdentifierScheme": "SPDX",
239
  "rightsIdentifierScheme": "SPDX",
            
240
  "rightsSchemeURI": "https://spdx.org/licenses",
240
  "rightsSchemeURI": "https://spdx.org/licenses",
            
241
  "rightsURI": "https://spdx.org/licenses/CC-BY-4.0.html",
241
  "rightsURI": "https://spdx.org/licenses/CC-BY-4.0.html",
            
242
  "schemeURI": "",
242
  "schemeURI": "",
            
t
243
  "state": "draft",
t
243
  "state": "active",
            
244
  "subjectScheme": "",
244
  "subjectScheme": "",
            
245
  "tags": [
245
  "tags": [
            
246
    {
246
    {
            
247
      "display_name": "Unmanned Aerial Vehicle",
247
      "display_name": "Unmanned Aerial Vehicle",
            
248
      "id": "a6dc9001-e6da-4a84-bfec-2941d3ebce78",
248
      "id": "a6dc9001-e6da-4a84-bfec-2941d3ebce78",
            
249
      "name": "Unmanned Aerial Vehicle",
249
      "name": "Unmanned Aerial Vehicle",
            
250
      "state": "active",
250
      "state": "active",
            
251
      "vocabulary_id": null
251
      "vocabulary_id": null
            
252
    },
252
    },
            
253
    {
253
    {
            
254
      "display_name": "beluga",
254
      "display_name": "beluga",
            
255
      "id": "286b2f82-a071-41cc-bc3b-7ea986233649",
255
      "id": "286b2f82-a071-41cc-bc3b-7ea986233649",
            
256
      "name": "beluga",
256
      "name": "beluga",
            
257
      "state": "active",
257
      "state": "active",
            
258
      "vocabulary_id": null
258
      "vocabulary_id": null
            
259
    },
259
    },
            
260
    {
260
    {
            
261
      "display_name": "computer vision",
261
      "display_name": "computer vision",
            
262
      "id": "d7270905-c420-4d19-aa9c-c6f818ab5b67",
262
      "id": "d7270905-c420-4d19-aa9c-c6f818ab5b67",
            
263
      "name": "computer vision",
263
      "name": "computer vision",
            
264
      "state": "active",
264
      "state": "active",
            
265
      "vocabulary_id": null
265
      "vocabulary_id": null
            
266
    },
266
    },
            
267
    {
267
    {
            
268
      "display_name": "deep learning",
268
      "display_name": "deep learning",
            
269
      "id": "87526358-2d8a-4c78-8375-38c132b53d5a",
269
      "id": "87526358-2d8a-4c78-8375-38c132b53d5a",
            
270
      "name": "deep learning",
270
      "name": "deep learning",
            
271
      "state": "active",
271
      "state": "active",
            
272
      "vocabulary_id": null
272
      "vocabulary_id": null
            
273
    },
273
    },
            
274
    {
274
    {
            
275
      "display_name": "object detection",
275
      "display_name": "object detection",
            
276
      "id": "a3d44586-cba5-4685-b07a-2d2f16578353",
276
      "id": "a3d44586-cba5-4685-b07a-2d2f16578353",
            
277
      "name": "object detection",
277
      "name": "object detection",
            
278
      "state": "active",
278
      "state": "active",
            
279
      "vocabulary_id": null
279
      "vocabulary_id": null
            
280
    },
280
    },
            
281
    {
281
    {
            
282
      "display_name": "object tracking",
282
      "display_name": "object tracking",
            
283
      "id": "28ce0864-2ed8-43d1-b80d-d79684cac63f",
283
      "id": "28ce0864-2ed8-43d1-b80d-d79684cac63f",
            
284
      "name": "object tracking",
284
      "name": "object tracking",
            
285
      "state": "active",
285
      "state": "active",
            
286
      "vocabulary_id": null
286
      "vocabulary_id": null
            
287
    }
287
    }
            
288
  ],
288
  ],
            
289
  "theme": [
289
  "theme": [
            
290
    "8f8cd877-b037-4b1a-b928-f86d9e093741",
290
    "8f8cd877-b037-4b1a-b928-f86d9e093741",
            
291
    "98238b1c-5be8-41ad-8c6e-74cdc4f5f369",
291
    "98238b1c-5be8-41ad-8c6e-74cdc4f5f369",
            
292
    "3ec49cbb-4da6-4fe8-8d54-5b6ce03b49d9"
292
    "3ec49cbb-4da6-4fe8-8d54-5b6ce03b49d9"
            
293
  ],
293
  ],
            
294
  "title": "Detection and tracking of belugas, kayaks and motorized 
294
  "title": "Detection and tracking of belugas, kayaks and motorized 
            
295
boats in drone video using deep learning",
295
boats in drone video using deep learning",
            
296
  "type": "publication",
296
  "type": "publication",
            
297
  "url": null,
297
  "url": null,
            
298
  "version": null
298
  "version": null
            
299
}
299
}