SEC: Stochastic Ensemble Consensus Approach to Unsupervised SAR Sea-Ice Segmentation
Notice bibliographique
Résumé
The use of synthetic aperture radar (SAR) has become an integral part of sea-ice monitoring and analysis in the polar regions. An important task in sea-ice analysis is to segment SAR sea-ice imagery based on the underlying ice type, which is a challenging task to perform automatically due to various imaging and environmental conditions. A novel stochastic ensemble consensus approach to sea-ice segmentation (SEC) is presented to tackle this challenging task. In SEC, each pixel in the SAR sea-ice image is assigned an initial sub-class based on its tonal characteristics. Ensembles of random samples are generated from a random field representing the SAR sea-ice imagery. The generated ensembles are then used to re-estimate the sub-class of the pixels using a weighted median consensus strategy. Based on the probability distribution of the sub-classes, an expectation maximization (EM) approach is utilized to estimate the final class likelihoods using a Gaussian mixture model (GMM). Finally, maximum likelihood (ML) classification is performed to estimate the final class of each pixel within the SAR sea-ice imagery based on the estimated GMM and the assigned sub-classes. SEC was tested using a variety of operational RADARSAT-1 and RADARSAT-2 SAR sea-ice imagery provided by the Canadian Ice Service (CIS) and was shown to produce successfully segmentation results that were superior to approaches based on K-means clustering, Gamma mixture models, and Markov Random Field (MRF) models for sea-ice segmentation.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».