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
  "citation": "Madison L.Harasyn, Wayne S.Chan, Emma L.Ausen, and 
48
  "citation": "Madison L.Harasyn, Wayne S.Chan, Emma L.Ausen, and 
            
49
David G.Barber. Detection and tracking of belugas, kayaks and 
49
David G.Barber. Detection and tracking of belugas, kayaks and 
            
50
motorized boats in drone video using deep learning. Drone Systems and 
50
motorized boats in drone video using deep learning. Drone Systems and 
            
51
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",
            
52
  "creator_user_id": "cde7b848-a882-4fc7-97c9-670417bd6b43",
52
  "creator_user_id": "cde7b848-a882-4fc7-97c9-670417bd6b43",
            
53
  "descriptionType": "Abstract",
53
  "descriptionType": "Abstract",
            
54
  "groups": [
54
  "groups": [
            
55
    {
55
    {
            
n
56
      "description": "Features and characteristics of salt water 
n
56
      "description": "Inland water features, drainage systems and 
            
57
bodies.\r\n\r\nIn CEOS, related research themes include 
57
their characteristics. Examples of data you can find here include 
            
58
biogeochemistry, modelling, marine mammals, oil spill response, 
58
river and lake data, water quality data. \r\n\r\nIn CEOS, related 
            
59
physical oceanography, remote sensing and technology and trace metals 
59
research themes include biogeochemistry, Inland lakes and waters, 
            
60
modelling, remote sensing and technology, trace metals and 
            
60
and contaminants",
61
contaminants.",
            
61
      "display_name": "Marine",
62
      "display_name": "Freshwater",
            
62
      "id": "98238b1c-5be8-41ad-8c6e-74cdc4f5f369",
63
      "id": "8f8cd877-b037-4b1a-b928-f86d9e093741",
            
63
      "image_display_url": 
64
      "image_display_url": 
            
n
64
ata/uploads/group/2021-10-31-211516.365746ofinspireoceanographic.svg",
n
65
/data/uploads/group/2021-10-31-211937.658599hyinspirehydrography.svg",
            
65
      "name": "marine",
66
      "name": "freshwater",
            
66
      "title": "Marine"
67
      "title": "Freshwater"
            
67
    },

            
68
    {

            
69
      "description": "Image: \"Earth from Space\" by NASA Goddard 

            
70
Photo and Video is licensed under CC BY 2.0",

            
71
      "display_name": "Remote Sensing",

            
72
      "id": "3ec49cbb-4da6-4fe8-8d54-5b6ce03b49d9",

            
73
      "image_display_url": 

            
74
anitoba.ca/data/uploads/group/2022-02-05-222621.346712earthimage.jpg",

            
75
      "name": "remote-sensing",

            
76
      "title": "Remote Sensing"

            
77
    }
68
    }
            
78
  ],
69
  ],
            
79
  "id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
70
  "id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
            
80
  "isopen": false,
71
  "isopen": false,
            
81
  "language": "English",
72
  "language": "English",
            
82
  "licenceType": "Open",
73
  "licenceType": "Open",
            
83
  "license_id": null,
74
  "license_id": null,
            
84
  "license_title": null,
75
  "license_title": null,
            
85
  "maintainer": null,
76
  "maintainer": null,
            
86
  "maintainer_email": null,
77
  "maintainer_email": null,
            
87
  "metadata_created": "2022-04-07T19:45:13.021227",
78
  "metadata_created": "2022-04-07T19:45:13.021227",
            
n
88
  "metadata_modified": "2023-06-06T20:09:50.526039",
n
79
  "metadata_modified": "2023-06-06T20:11:25.560811",
            
89
  "name": "detect-video-deep-learning",
80
  "name": "detect-video-deep-learning",
            
90
  "notes": "Aerial imagery surveys are commonly used in marine mammal 
81
  "notes": "Aerial imagery surveys are commonly used in marine mammal 
            
91
research to determine population size, distribution and habitat use. 
82
research to determine population size, distribution and habitat use. 
            
92
Analysis of aerial photos involves hours of manually identifying 
83
Analysis of aerial photos involves hours of manually identifying 
            
93
individuals present in each image and converting raw counts into 
84
individuals present in each image and converting raw counts into 
            
94
useable biological statistics. Our research proposes the use of deep 
85
useable biological statistics. Our research proposes the use of deep 
            
95
learning algorithms to increase the efficiency of the marine mammal 
86
learning algorithms to increase the efficiency of the marine mammal 
            
96
research workflow. To test the feasibility of this proposal, the 
87
research workflow. To test the feasibility of this proposal, the 
            
97
existing YOLOv4 convolutional neural network model was trained to 
88
existing YOLOv4 convolutional neural network model was trained to 
            
98
detect belugas, kayaks and motorized boats in oblique drone imagery, 
89
detect belugas, kayaks and motorized boats in oblique drone imagery, 
            
99
collected from a stationary tethered system. Automated computer-based 
90
collected from a stationary tethered system. Automated computer-based 
            
100
object detection achieved the following precision and recall, 
91
object detection achieved the following precision and recall, 
            
101
respectively, for each class: beluga = 74%/72%; boat = 97%/99%; and 
92
respectively, for each class: beluga = 74%/72%; boat = 97%/99%; and 
            
102
kayak = 96%/96%. We then tested the performance of computer vision 
93
kayak = 96%/96%. We then tested the performance of computer vision 
            
103
tracking of belugas and occupied watercraft in drone videos using the 
94
tracking of belugas and occupied watercraft in drone videos using the 
            
104
DeepSORT tracking algorithm, which achieved a multiple-object tracking 
95
DeepSORT tracking algorithm, which achieved a multiple-object tracking 
            
105
accuracy (MOTA) ranging from 37% to 88% and multiple object tracking 
96
accuracy (MOTA) ranging from 37% to 88% and multiple object tracking 
            
106
precision (MOTP) between 63% and 86%. Results from this research 
97
precision (MOTP) between 63% and 86%. Results from this research 
            
107
indicate that deep learning technology can detect and track features 
98
indicate that deep learning technology can detect and track features 
            
108
more consistently than human annotators, allowing for larger datasets 
99
more consistently than human annotators, allowing for larger datasets 
            
109
to be processed within a fraction of the time while avoiding 
100
to be processed within a fraction of the time while avoiding 
            
110
discrepancies introduced by labeling fatigue or multiple human 
101
discrepancies introduced by labeling fatigue or multiple human 
            
111
annotators.\r\n\r\n**R\u00e9sum\u00e9** Les relev\u00e9s par imagerie 
102
annotators.\r\n\r\n**R\u00e9sum\u00e9** Les relev\u00e9s par imagerie 
            
112
a\u00e9rienne sont couramment utilis\u00e9s dans la recherche sur les 
103
a\u00e9rienne sont couramment utilis\u00e9s dans la recherche sur les 
            
113
mammif\u00e8res marins pour d\u00e9terminer la taille de la 
104
mammif\u00e8res marins pour d\u00e9terminer la taille de la 
            
114
population, sa r\u00e9partition et l\u2019utilisation de 
105
population, sa r\u00e9partition et l\u2019utilisation de 
            
115
l\u2019habitat. L\u2019analyse des photos a\u00e9riennes implique des 
106
l\u2019habitat. L\u2019analyse des photos a\u00e9riennes implique des 
            
116
heures d\u2019identification manuelle des individus pr\u00e9sents dans 
107
heures d\u2019identification manuelle des individus pr\u00e9sents dans 
            
117
chaque image et la conversion des chiffres bruts en statistiques 
108
chaque image et la conversion des chiffres bruts en statistiques 
            
118
biologiques utilisables. Notre recherche propose l\u2019utilisation 
109
biologiques utilisables. Notre recherche propose l\u2019utilisation 
            
119
d\u2019algorithmes d\u2019apprentissage en profondeur pour augmenter 
110
d\u2019algorithmes d\u2019apprentissage en profondeur pour augmenter 
            
120
l\u2019efficacit\u00e9 du flux de recherche sur les mammif\u00e8res 
111
l\u2019efficacit\u00e9 du flux de recherche sur les mammif\u00e8res 
            
121
marins. Pour mettre \u00e0 l\u2019essai la faisabilit\u00e9 de cette 
112
marins. Pour mettre \u00e0 l\u2019essai la faisabilit\u00e9 de cette 
            
122
proposition, le mod\u00e8le de r\u00e9seau de neurones \u00e0 
113
proposition, le mod\u00e8le de r\u00e9seau de neurones \u00e0 
            
123
convolution YOLOv4 existant a \u00e9t\u00e9 entra\u00een\u00e9 pour 
114
convolution YOLOv4 existant a \u00e9t\u00e9 entra\u00een\u00e9 pour 
            
124
d\u00e9tecter les b\u00e9lugas, les kayaks et les embarcations 
115
d\u00e9tecter les b\u00e9lugas, les kayaks et les embarcations 
            
125
motoris\u00e9es dans des images de drones obliques, recueillies \u00e0 
116
motoris\u00e9es dans des images de drones obliques, recueillies \u00e0 
            
126
partir d\u2019un syst\u00e8me fixe reli\u00e9. La d\u00e9tection 
117
partir d\u2019un syst\u00e8me fixe reli\u00e9. La d\u00e9tection 
            
127
automatis\u00e9e d\u2019objets par ordinateur a atteint la 
118
automatis\u00e9e d\u2019objets par ordinateur a atteint la 
            
128
pr\u00e9cision et le rappel suivants, respectivement, pour chaque 
119
pr\u00e9cision et le rappel suivants, respectivement, pour chaque 
            
129
classe : b\u00e9luga : 74 %/72 %; bateau : 97 %/99 %; kayak : 96 %/96 
120
classe : b\u00e9luga : 74 %/72 %; bateau : 97 %/99 %; kayak : 96 %/96 
            
130
%. Les auteurs ont ensuite test\u00e9 la performance de poursuite au 
121
%. Les auteurs ont ensuite test\u00e9 la performance de poursuite au 
            
131
moyen de la vision par ordinateur des b\u00e9lugas et des motomarines 
122
moyen de la vision par ordinateur des b\u00e9lugas et des motomarines 
            
132
dans des vid\u00e9os de drones \u00e0 l\u2019aide de l\u2019algorithme 
123
dans des vid\u00e9os de drones \u00e0 l\u2019aide de l\u2019algorithme 
            
133
de poursuite DeepSORT, qui a obtenu une exactitude de poursuite des 
124
de poursuite DeepSORT, qui a obtenu une exactitude de poursuite des 
            
134
objets multiples (\u00ab MOTA \u00bb) allant de 37 \u00e0 88 % et une 
125
objets multiples (\u00ab MOTA \u00bb) allant de 37 \u00e0 88 % et une 
            
135
pr\u00e9cision de poursuite des objets multiples (\u00ab MOTP \u00bb) 
126
pr\u00e9cision de poursuite des objets multiples (\u00ab MOTP \u00bb) 
            
136
allant de 63 \u00e0 86 %. Les r\u00e9sultats de cette recherche 
127
allant de 63 \u00e0 86 %. Les r\u00e9sultats de cette recherche 
            
137
indiquent que la technologie d\u2019apprentissage profond peut 
128
indiquent que la technologie d\u2019apprentissage profond peut 
            
138
d\u00e9tecter et suivre les caract\u00e9ristiques plus 
129
d\u00e9tecter et suivre les caract\u00e9ristiques plus 
            
139
r\u00e9guli\u00e8rement que les annotateurs humains, permettant de 
130
r\u00e9guli\u00e8rement que les annotateurs humains, permettant de 
            
140
traiter des ensembles de donn\u00e9es plus volumineux en une fraction 
131
traiter des ensembles de donn\u00e9es plus volumineux en une fraction 
            
141
de temps tout en \u00e9vitant les \u00e9carts introduits par la 
132
de temps tout en \u00e9vitant les \u00e9carts introduits par la 
            
142
fatigue d\u2019\u00e9tiquetage ou de multiples annotateurs humains. 
133
fatigue d\u2019\u00e9tiquetage ou de multiples annotateurs humains. 
            
143
[Traduit par la R\u00e9daction]",
134
[Traduit par la R\u00e9daction]",
            
144
  "num_resources": 2,
135
  "num_resources": 2,
            
145
  "num_tags": 6,
136
  "num_tags": 6,
            
146
  "organization": {
137
  "organization": {
            
147
    "approval_status": "approved",
138
    "approval_status": "approved",
            
148
    "created": "2017-07-21T13:15:49.935872",
139
    "created": "2017-07-21T13:15:49.935872",
            
149
    "description": "The Centre for Earth Observation Science (CEOS) 
140
    "description": "The Centre for Earth Observation Science (CEOS) 
            
150
was established in 1994 with a mandate to research, preserve and 
141
was established in 1994 with a mandate to research, preserve and 
            
151
communicate knowledge of Earth system processes using the technologies 
142
communicate knowledge of Earth system processes using the technologies 
            
152
of Earth Observation Science. Research is multidisciplinary and 
143
of Earth Observation Science. Research is multidisciplinary and 
            
153
collaborative seeking to understand the complex interrelationships 
144
collaborative seeking to understand the complex interrelationships 
            
154
between elements of Earth systems, and how these systems will likely 
145
between elements of Earth systems, and how these systems will likely 
            
155
respond to climate change. Although researchers have worked in many 
146
respond to climate change. Although researchers have worked in many 
            
156
regions, the Arctic marine system has always been a unifying focus of 
147
regions, the Arctic marine system has always been a unifying focus of 
            
157
activity.\r\n\r\nIn 2012, CEOS, along with the Greenland Climate 
148
activity.\r\n\r\nIn 2012, CEOS, along with the Greenland Climate 
            
158
Research Centre (GCRC, Nuuk, Greenland) and the Arctic Research Centre 
149
Research Centre (GCRC, Nuuk, Greenland) and the Arctic Research Centre 
            
159
(ARC, Aarhus, Denmark) established the Arctic Science Partnership, 
150
(ARC, Aarhus, Denmark) established the Arctic Science Partnership, 
            
160
thereby integrating academic and research initiatives.\r\n\r\nAreas of 
151
thereby integrating academic and research initiatives.\r\n\r\nAreas of 
            
161
existing research activity are divided among key themes:\r\n\r\nArctic 
152
existing research activity are divided among key themes:\r\n\r\nArctic 
            
162
Anthropology/Paleoclimatology: LiDAR scanning and digital site 
153
Anthropology/Paleoclimatology: LiDAR scanning and digital site 
            
163
preservation, archaeo-geophysics, permafrost degredation, lithic 
154
preservation, archaeo-geophysics, permafrost degredation, lithic 
            
164
morphometrics, zooarchaeology, proxy studies, paleodistribution of sea 
155
morphometrics, zooarchaeology, proxy studies, paleodistribution of sea 
            
165
ice, landscape learning, Paleo-Eskimo culture, Thule Inuit culture, 
156
ice, landscape learning, Paleo-Eskimo culture, Thule Inuit culture, 
            
166
ethnographic analogy, traditional knowledge, climate change and 
157
ethnographic analogy, traditional knowledge, climate change and 
            
167
northern heritage resource management.\r\n\r\nAtmospheric 
158
northern heritage resource management.\r\n\r\nAtmospheric 
            
168
Studies/Meteorology: Boundary layer, precipitation, clouds, storms and 
159
Studies/Meteorology: Boundary layer, precipitation, clouds, storms and 
            
169
extreme weather, circulation, eddy correlations, polar vortex, 
160
extreme weather, circulation, eddy correlations, polar vortex, 
            
170
climate, teleconnections, geophysical fluid dynamics, flux and energy 
161
climate, teleconnections, geophysical fluid dynamics, flux and energy 
            
171
budgets, ocean-sea ice-atmosphere interface, radiative transfer, ice 
162
budgets, ocean-sea ice-atmosphere interface, radiative transfer, ice 
            
172
albedo feedback, cloud radiative forcing, pCO2. 
163
albedo feedback, cloud radiative forcing, pCO2. 
            
173
\r\n\r\nBiogeochemistry: Organic carbon, greenhouse gases, bubbles, 
164
\r\n\r\nBiogeochemistry: Organic carbon, greenhouse gases, bubbles, 
            
174
Ikaite, carbonate chemistry, CO2 fluxes, mercury and other trace 
165
Ikaite, carbonate chemistry, CO2 fluxes, mercury and other trace 
            
175
metals, minerals, hydrocarbons, brine processes, otolith 
166
metals, minerals, hydrocarbons, brine processes, otolith 
            
176
microchemistry, sediments, biomarkers. \r\n\r\nContaminants: Mercury, 
167
microchemistry, sediments, biomarkers. \r\n\r\nContaminants: Mercury, 
            
177
trace metals, PAHs, source, transport, transformation, pathways, 
168
trace metals, PAHs, source, transport, transformation, pathways, 
            
178
bioaccumulations, marine ecosystems, marine chemistry. \r\nEarth 
169
bioaccumulations, marine ecosystems, marine chemistry. \r\nEarth 
            
179
Observation Science: Active and passive microwave, LiDAR, EM 
170
Observation Science: Active and passive microwave, LiDAR, EM 
            
180
induction, spatial-temporal analysis, forward and inverse scattering 
171
induction, spatial-temporal analysis, forward and inverse scattering 
            
181
models, complex permittivity, ocean colour, ocean surface roughness, 
172
models, complex permittivity, ocean colour, ocean surface roughness, 
            
182
NIR, TIR, satellite telemetry, GPS. Ice-Associated Biology: 
173
NIR, TIR, satellite telemetry, GPS. Ice-Associated Biology: 
            
183
Biophysical processes, primary production; ice algae, ice 
174
Biophysical processes, primary production; ice algae, ice 
            
184
microbiology, bio-optics, under-ice phytoplankton. \r\n\r\nInland 
175
microbiology, bio-optics, under-ice phytoplankton. \r\n\r\nInland 
            
185
Lakes and Waters: Hydrologic connectivity, watershed systems, sediment 
176
Lakes and Waters: Hydrologic connectivity, watershed systems, sediment 
            
186
transport, nutrient transport, contaminants, landscape processes, 
177
transport, nutrient transport, contaminants, landscape processes, 
            
187
remote sensing, freshwater-marine coupling. Marine Mammals: Seals, 
178
remote sensing, freshwater-marine coupling. Marine Mammals: Seals, 
            
188
whales, habitat, conservation, satellite telemetry, distribution, 
179
whales, habitat, conservation, satellite telemetry, distribution, 
            
189
population studies, prey behaviour, bioacoustics.\r\n\r\nModelling: 
180
population studies, prey behaviour, bioacoustics.\r\n\r\nModelling: 
            
190
Simulation of sea ice and oceanic regional processes, Nucleus for 
181
Simulation of sea ice and oceanic regional processes, Nucleus for 
            
191
European Modelling of the Ocean (NEMO), ice-ocean modelling and 
182
European Modelling of the Ocean (NEMO), ice-ocean modelling and 
            
192
interactions, hind cast simulations and projections for sea ice state 
183
interactions, hind cast simulations and projections for sea ice state 
            
193
and ocean variables based on CMIP5 scenarios and MIROC5 forcing, 
184
and ocean variables based on CMIP5 scenarios and MIROC5 forcing, 
            
194
validation.\r\n\r\nOceanography: Circulation, temperature, in-flow and 
185
validation.\r\n\r\nOceanography: Circulation, temperature, in-flow and 
            
195
out-flow shelves, water dynamics, microturbulence, Beaufort Gyre, eddy 
186
out-flow shelves, water dynamics, microturbulence, Beaufort Gyre, eddy 
            
196
correlations.\r\n\r\nSea Ice Geophysics:Thermodynamic and dynamic 
187
correlations.\r\n\r\nSea Ice Geophysics:Thermodynamic and dynamic 
            
197
processes, extreme ice features and hazards, snow, ridges, 
188
processes, extreme ice features and hazards, snow, ridges, 
            
198
polynyas.\r\n\r\nTraditional and Local Knowledge: Indigenous cultures, 
189
polynyas.\r\n\r\nTraditional and Local Knowledge: Indigenous cultures, 
            
199
Inuit, Inuvialuit, oral history, toponomy, mobility and settlement, 
190
Inuit, Inuvialuit, oral history, toponomy, mobility and settlement, 
            
200
hunting, food security, sea ice use, community-based research, 
191
hunting, food security, sea ice use, community-based research, 
            
201
community-based monitoring, two ways of knowing.",
192
community-based monitoring, two ways of knowing.",
            
202
    "id": "9e21f6b6-d13f-4ba2-a379-fd962f507071",
193
    "id": "9e21f6b6-d13f-4ba2-a379-fd962f507071",
            
203
    "image_url": "2021-11-13-003953.952874UMLogoHORZ.jpg",
194
    "image_url": "2021-11-13-003953.952874UMLogoHORZ.jpg",
            
204
    "is_organization": true,
195
    "is_organization": true,
            
205
    "name": "ceos",
196
    "name": "ceos",
            
206
    "state": "active",
197
    "state": "active",
            
207
    "title": "Centre for Earth Observation Science",
198
    "title": "Centre for Earth Observation Science",
            
208
    "type": "organization"
199
    "type": "organization"
            
209
  },
200
  },
            
210
  "owner_org": "9e21f6b6-d13f-4ba2-a379-fd962f507071",
201
  "owner_org": "9e21f6b6-d13f-4ba2-a379-fd962f507071",
            
211
  "private": false,
202
  "private": false,
            
212
  "related_datasets": [
203
  "related_datasets": [
            
213
    "b5f259b4-3ace-4750-bfb0-47c4e794082f"
204
    "b5f259b4-3ace-4750-bfb0-47c4e794082f"
            
214
  ],
205
  ],
            
215
  "related_programs": [],
206
  "related_programs": [],
            
216
  "relationships_as_object": [],
207
  "relationships_as_object": [],
            
217
  "relationships_as_subject": [],
208
  "relationships_as_subject": [],
            
218
  "resources": [
209
  "resources": [
            
219
    {
210
    {
            
220
      "cache_last_updated": null,
211
      "cache_last_updated": null,
            
221
      "cache_url": null,
212
      "cache_url": null,
            
222
      "created": "2022-04-07T19:49:13.974750",
213
      "created": "2022-04-07T19:49:13.974750",
            
223
      "datastore_active": false,
214
      "datastore_active": false,
            
224
      "datastore_contains_all_records_of_source_file": false,
215
      "datastore_contains_all_records_of_source_file": false,
            
225
      "description": "Churchill Beluga Boat Drone Imagery related 
216
      "description": "Churchill Beluga Boat Drone Imagery related 
            
226
journal article published in Drone Systems and Applications.\r\nDOI: 
217
journal article published in Drone Systems and Applications.\r\nDOI: 
            
227
https://doi.org/10.1139/juvs-2021-0024",
218
https://doi.org/10.1139/juvs-2021-0024",
            
228
      "format": "PDF",
219
      "format": "PDF",
            
229
      "hash": "",
220
      "hash": "",
            
230
      "id": "5bcbb0bc-425b-4fad-b7ff-4c8599043dcf",
221
      "id": "5bcbb0bc-425b-4fad-b7ff-4c8599043dcf",
            
231
      "last_modified": "2022-04-07T20:02:20.594051",
222
      "last_modified": "2022-04-07T20:02:20.594051",
            
232
      "metadata_modified": "2023-05-18T21:05:56.975275",
223
      "metadata_modified": "2023-05-18T21:05:56.975275",
            
233
      "mimetype": "application/pdf",
224
      "mimetype": "application/pdf",
            
234
      "mimetype_inner": null,
225
      "mimetype_inner": null,
            
235
      "name": "Detection and tracking of belugas, kayaks and motorized 
226
      "name": "Detection and tracking of belugas, kayaks and motorized 
            
236
boats in drone video using deep learning",
227
boats in drone video using deep learning",
            
237
      "package_id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
228
      "package_id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
            
238
      "position": 0,
229
      "position": 0,
            
239
      "resCategory": "supplemental",
230
      "resCategory": "supplemental",
            
240
      "resource_type": null,
231
      "resource_type": null,
            
241
      "size": 4104522,
232
      "size": 4104522,
            
242
      "state": "active",
233
      "state": "active",
            
243
      "url": 
234
      "url": 
            
244
rce/5bcbb0bc-425b-4fad-b7ff-4c8599043dcf/download/juvs-2021-0024.pdf",
235
rce/5bcbb0bc-425b-4fad-b7ff-4c8599043dcf/download/juvs-2021-0024.pdf",
            
245
      "url_type": "upload"
236
      "url_type": "upload"
            
246
    },
237
    },
            
247
    {
238
    {
            
248
      "cache_last_updated": null,
239
      "cache_last_updated": null,
            
249
      "cache_url": null,
240
      "cache_url": null,
            
250
      "created": "2023-05-18T21:05:57.006643",
241
      "created": "2023-05-18T21:05:57.006643",
            
251
      "datastore_active": false,
242
      "datastore_active": false,
            
252
      "datastore_contains_all_records_of_source_file": false,
243
      "datastore_contains_all_records_of_source_file": false,
            
253
      "description": "Researchers at CEOS are often asked to write a 
244
      "description": "Researchers at CEOS are often asked to write a 
            
254
field story about their work, to make their research more accessible. 
245
field story about their work, to make their research more accessible. 
            
255
We decided to do something a little different for our work on applying 
246
We decided to do something a little different for our work on applying 
            
256
machine learning to detecting and tracking beluga whales: we are 
247
machine learning to detecting and tracking beluga whales: we are 
            
257
presenting it as a comic-book style video!",
248
presenting it as a comic-book style video!",
            
258
      "format": "",
249
      "format": "",
            
259
      "hash": "",
250
      "hash": "",
            
260
      "id": "1cd6dbae-5c9d-440d-b29b-26c84fbc5a7c",
251
      "id": "1cd6dbae-5c9d-440d-b29b-26c84fbc5a7c",
            
261
      "last_modified": null,
252
      "last_modified": null,
            
262
      "metadata_modified": "2023-05-18T21:05:56.975546",
253
      "metadata_modified": "2023-05-18T21:05:56.975546",
            
263
      "mimetype": null,
254
      "mimetype": null,
            
264
      "mimetype_inner": null,
255
      "mimetype_inner": null,
            
265
      "name": "One Beluga, Two Beluga, Three Beluga, Four: How to 
256
      "name": "One Beluga, Two Beluga, Three Beluga, Four: How to 
            
266
Count Belugas When You Run Out of Fingers and Toes",
257
Count Belugas When You Run Out of Fingers and Toes",
            
267
      "package_id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
258
      "package_id": "54b0d7a1-8536-4d40-b1bb-daad81805f43",
            
268
      "position": 1,
259
      "position": 1,
            
269
      "resCategory": "supplemental",
260
      "resCategory": "supplemental",
            
270
      "resource_type": null,
261
      "resource_type": null,
            
271
      "size": null,
262
      "size": null,
            
272
      "state": "active",
263
      "state": "active",
            
273
      "url": 
264
      "url": 
            
274
n/beluga-graphic-novel/resource/58aed159-4a62-4c2b-9978-967ad5f356a6",
265
n/beluga-graphic-novel/resource/58aed159-4a62-4c2b-9978-967ad5f356a6",
            
275
      "url_type": null
266
      "url_type": null
            
276
    }
267
    }
            
277
  ],
268
  ],
            
278
  "rightsIdentifier": "CC-BY-4.0",
269
  "rightsIdentifier": "CC-BY-4.0",
            
279
  "rightsIdentifierScheme": "SPDX",
270
  "rightsIdentifierScheme": "SPDX",
            
280
  "rightsSchemeURI": "https://spdx.org/licenses",
271
  "rightsSchemeURI": "https://spdx.org/licenses",
            
281
  "rightsURI": "https://spdx.org/licenses/CC-BY-4.0.html",
272
  "rightsURI": "https://spdx.org/licenses/CC-BY-4.0.html",
            
n
282
  "schemeURI": "",
n
273
  "schemeURI": 
            
274
"https://www.polardata.ca/pdcinput/public/keywordlibrary",
            
283
  "state": "active",
275
  "state": "active",
            
t
284
  "subjectScheme": "",
t
276
  "subjectScheme": "Polar Data Catalogue",
            
285
  "tags": [
277
  "tags": [
            
286
    {
278
    {
            
287
      "display_name": "Beluga",
279
      "display_name": "Beluga",
            
288
      "id": "a9f25a89-b0ef-4d4d-993d-73f28e0d702a",
280
      "id": "a9f25a89-b0ef-4d4d-993d-73f28e0d702a",
            
289
      "name": "Beluga",
281
      "name": "Beluga",
            
290
      "state": "active",
282
      "state": "active",
            
291
      "vocabulary_id": null
283
      "vocabulary_id": null
            
292
    },
284
    },
            
293
    {
285
    {
            
294
      "display_name": "Unmanned Aerial Vehicle",
286
      "display_name": "Unmanned Aerial Vehicle",
            
295
      "id": "a6dc9001-e6da-4a84-bfec-2941d3ebce78",
287
      "id": "a6dc9001-e6da-4a84-bfec-2941d3ebce78",
            
296
      "name": "Unmanned Aerial Vehicle",
288
      "name": "Unmanned Aerial Vehicle",
            
297
      "state": "active",
289
      "state": "active",
            
298
      "vocabulary_id": null
290
      "vocabulary_id": null
            
299
    },
291
    },
            
300
    {
292
    {
            
301
      "display_name": "computer vision",
293
      "display_name": "computer vision",
            
302
      "id": "d7270905-c420-4d19-aa9c-c6f818ab5b67",
294
      "id": "d7270905-c420-4d19-aa9c-c6f818ab5b67",
            
303
      "name": "computer vision",
295
      "name": "computer vision",
            
304
      "state": "active",
296
      "state": "active",
            
305
      "vocabulary_id": null
297
      "vocabulary_id": null
            
306
    },
298
    },
            
307
    {
299
    {
            
308
      "display_name": "deep learning",
300
      "display_name": "deep learning",
            
309
      "id": "87526358-2d8a-4c78-8375-38c132b53d5a",
301
      "id": "87526358-2d8a-4c78-8375-38c132b53d5a",
            
310
      "name": "deep learning",
302
      "name": "deep learning",
            
311
      "state": "active",
303
      "state": "active",
            
312
      "vocabulary_id": null
304
      "vocabulary_id": null
            
313
    },
305
    },
            
314
    {
306
    {
            
315
      "display_name": "object detection",
307
      "display_name": "object detection",
            
316
      "id": "a3d44586-cba5-4685-b07a-2d2f16578353",
308
      "id": "a3d44586-cba5-4685-b07a-2d2f16578353",
            
317
      "name": "object detection",
309
      "name": "object detection",
            
318
      "state": "active",
310
      "state": "active",
            
319
      "vocabulary_id": null
311
      "vocabulary_id": null
            
320
    },
312
    },
            
321
    {
313
    {
            
322
      "display_name": "object tracking",
314
      "display_name": "object tracking",
            
323
      "id": "28ce0864-2ed8-43d1-b80d-d79684cac63f",
315
      "id": "28ce0864-2ed8-43d1-b80d-d79684cac63f",
            
324
      "name": "object tracking",
316
      "name": "object tracking",
            
325
      "state": "active",
317
      "state": "active",
            
326
      "vocabulary_id": null
318
      "vocabulary_id": null
            
327
    }
319
    }
            
328
  ],
320
  ],
            
329
  "theme": [
321
  "theme": [
            
330
    "8f8cd877-b037-4b1a-b928-f86d9e093741",
322
    "8f8cd877-b037-4b1a-b928-f86d9e093741",
            
331
    "98238b1c-5be8-41ad-8c6e-74cdc4f5f369",
323
    "98238b1c-5be8-41ad-8c6e-74cdc4f5f369",
            
332
    "3ec49cbb-4da6-4fe8-8d54-5b6ce03b49d9"
324
    "3ec49cbb-4da6-4fe8-8d54-5b6ce03b49d9"
            
333
  ],
325
  ],
            
334
  "title": "Detection and tracking of belugas, kayaks and motorized 
326
  "title": "Detection and tracking of belugas, kayaks and motorized 
            
335
boats in drone video using deep learning",
327
boats in drone video using deep learning",
            
336
  "type": "publication",
328
  "type": "publication",
            
337
  "url": null,
329
  "url": null,
            
338
  "version": null
330
  "version": null
            
339
}
331
}