Classifying Sonar Images: Can a Computer-Driven Process Identify Eels?
Notice bibliographique
Résumé
Abstract The purpose of this study was to explore the extent to which a computer-driven process can be used to classify sonar images. The data we present come from a feasibility study for a hydroacoustic monitoring system aimed at the automatic detection of downstream-migrating adult American eels Anguilla rostrata in the intake canal of a small hydroelectric station. The images were collected by a dual-frequency identification sonar with sufficient resolution to show the distinct shape and swimming motion of eels, and thus to allow confident visual identification. The goal was to find a set of image processing, tracking, and pattern recognition techniques that would reproduce the results of the visual classification. Of the three classification methods that we tested with our example data set, neural network analysis had the lowest misclassification rate for eels (7% of the eels being misclassified as debris) and the second-lowest misclassification rate for debris (5% of the debris being misclassified as eels). Discriminant function analysis misclassified 12% of the eels as debris and 4% of the debris as eels. A K-nearest-neighbor analysis initially provided the poorest results (17% misclassified eels and 12% misclassified debris). However, after applying an algebraic correction, K-nearest-neighbor analysis yielded an accurate estimate of the number of eels in the data set. We discuss the value of flagging cases of uncertain classification, how image processing and feature selection can affect the results, and how the numeric ratio of the targets present determines what error rates are acceptable. We conclude that, depending on the application, different degrees of automation may be achieved, ranging from a relatively high degree of human supervision in the classification of all potential targets to a fully automated process that requires only periodic quality control and adjustments of the classification model.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».