ZOOMIE v 1.0 (Zooplankton Multiple Image Exclusion)
Notice bibliographique
Résumé
5/25/2015 <strong>ZOOMIE v 1.0 (Zooplankton Multiple Image Exclusion)</strong> Moritz S. Schmid*, Cyril Aubry, Jordan Grigor, Louis Fortier Takuvik Joint International Laboratory, Laval University (Canada) – CNRS (France), UMI3376, Département de biologie et Québec-Océan, Université Laval, Québec, Québec G1V 0A6, Canada * Moritz.Schmid@takuvik.ulaval.ca <strong>1. Introduction</strong> ZOOMIE is an image treatment tool developed to ensure optimal quality for images collected with the Lightframe On-sight Keyspecies Investigation (LOKI) System, an underwater zooplankton camera system. ZOOMIE does that by identifying cases where multiple pictures of the same specimen have been taken (hereafter referred to as double images), a phenomenon that frequently occurs when imaging plankton in a constrained volume during vertical deployments. The process of identifying double pictures can be carried out manually but is very time consuming. By applying ZOOMIE, the time needed to identify double images is substantially reduced. It is essential to account for double images when representative distributions of images are wanted ZOOMIE can automatically filter thousands of images based on previously extracted image parameters (e.g. area, mean grey pixel value, kurtosis; here extracted using the LOKI browser software (Isitec GmbH; http://www.isitec.de/start.htm)). The filtering is based on a set of rules that compares the image parameters of multiple images in order to detect double images and exclude them. The set of rules can be changed easily in the ZOOMIE scripts so that researchers can easily adapt the thresholds for finding double images necessary for their LOKI settings. After running the actual script to find double images, other scripts can be executed to automatically transfer images flagged for exclusion to a new folder. Finally, the results can be visualized on an internal homepage, using the actual images which are linked to the database. Here we can validate the outcome of the processing and we can manually adapt the outcome through dragging and dropping of images to verify if any images were wrongly allocated to a double image group. Although ZOOMIE was developed for LOKI images and the exclusion of double images, ZOOMIE could easily be adapted to handle other tasks requiring the handling and comparison of large numbers of images. _________________________________________________________________ This is an extract from the ZOOMIE introduction document available in the download. Thank you to Nicolas Garneau for initial set up of ZOOMIE (Université Laval). <strong>Recommended citation:</strong> Schmid MS, Aubry C, Grigor J and Fortier L (2015) ZOOMIE v1.0 (Zooplankton Multiple Image Exclusion) (Version 1.0) [Software]. Available from www.zenodo.org. doi:10.5281/zenodo.17928
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 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 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,393 | 0,070 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».