MétaCan
Menu
Retour à la cohorte
Enregistrement W2330522552 · doi:10.1071/aseg2013ab147

Effective methods to highlight and delineate anomalies from geophysical images

2013· article· en· W2330522552 sur OpenAlexaboutno aff
Eun‐Jung Holden, Peter Kovesi, Daniel Wedge, Alan Aitken

Notice bibliographique

RevueASEG Extended Abstracts · 2013
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueGeophysical and Geoelectrical Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceVisualizationLuminanceAnomaly detectionImage (mathematics)Artificial intelligenceInterpretation (philosophy)Field (mathematics)Computer visionData miningPattern recognition (psychology)Remote sensingGeologyMathematics

Résumé

récupéré en direct d'OpenAlex

Geophysical data interpretation is largely an anomaly detection task which involves recognising and synthesising anomalous patterns within single or multiple datasets. The accuracy and efficiency of these interpretations heavily relies on the skills and practices of interpreters, thus the greatest challenge is to minimise personal biases to produce objective and consistent interpretation outcomes. We present an innovative data visualisation method which can empower interpreters to effectively delineate anomalies of varying frequency scales within aeromagentic data using a single image display. This is achieved by harnessing the power of image enhancement and visualisation techniques to assist interpretation.We adapted and extended the use of colour composite techniques to present different frequencies presented in potential field data. Aeromagnetic data from an area in Kirkland Lake, Ontario, Canada is used for our experiment. long wavelength and short wavelength anomalies are identified from the data using low pass- and high pass filters respectively. These two different frequency enhanced images and the original image are represented as separate colour channels which are then combined to generate a composite image. The luminance of the composite image is scaled to highlight high frequency signals as they hold the key for detailed structure interpretation. We use a technique called dynamic range compression, which preserves the integrity of the phase component of the signal while performing high pass filtering. The resulting display is compared to the geological map of the area to validate the effectiveness of the method. The proposed technique is widely adaptable for different types of datasets.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,265
Écart entre enseignants0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueASEG Extended AbstractsMême sujetGeophysical and Geoelectrical MethodsTravaux en français237 207