A Tool Supporting the Extraction of Angling Effort Data from Remote Camera Images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Estimating angling effort on more than a few lakes can be prohibitively expensive using creel surveys and often requires finer-scale angler distribution data than aerial surveys can provide. An alternate method uses remote cameras to capture images of lakes at hourly intervals over long time periods. Technicians then visually analyze the thousands of generated images for features of interest (e.g., angler counts and environmental conditions) and use those data to estimate angling effort. The problem is that the visual analysis step is time-consuming, expensive, and difficult to validate. Consequently, we elicited the strategies and best practices technicians used when analyzing images and identified bottlenecks. We then designed software, called Timelapse to better support image analysis. In use for several years, Timelapse has proven a cost-effective method of estimating angling effort in British Columbia's small lakes fisheries; it significantly eases a technician's workflow and doubles the number of images one can process per hour. La estimación del esfuerzo de pesca con anzuelo que se realiza en varios lagos mediante muestreos en puerto, puede llegar a tener costos prohibitivos y suele requerir una información más fina sobre la distribución del esfuerzo que la que proveen los muestreos aéreos. Un método alternativo se basa en la captura de imágenes de los lagos usando cámaras remotas, tomadas cada hora durante largos periodos. Posteriormente, los cientos de imágenes generadas son analizadas visualmente por los técnicos con el fin de detectar características de interés (v.g. conteo de pescadores y condiciones ambientales) y esta información se usa para estimar el esfuerzo de pesca. El problema es que el análisis visual consume mucho tiempo, es caro y difícil de validar. En consecuencia, en este trabajo se elucidan las estrategias y mejores prácticas que el personal técnico utiliza al analizar las imágenes e identificar cuellos de botella. Posteriormente se diseña un programa llamado Timelapse, como apoyo para el análisis de imágenes. Habiendo sido utilizado por varios años, Timelapse ha mostrado ser un método efectivo en cuanto a costos para estimar el esfuerzo en pesquerías de pequeños lagos en la Columbia Británica; alivia de forma importante el flujo de trabajo del personal técnico y duplica el número de imágenes que pueden procesarse en una hora.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle