Towards Natural Scene Rock Image Classification with Convolutional Neural Networks
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
Autonomous image recognition has numerous potential applications in the field of planetary science and geology. During exploration, geologists could encounter an unknown rock and instead of having to bring back the sample to the laboratory for analysis, a better approach would be to have a mobile device classify the image of a rock. As well, instead of waiting a long time for a planetary rover to send back an image to Earth for classification, its on-board computer could have a software that could automatically classify images of outcrops. In 2017, Shu et. al. used a Support Vector Machine (SVM) classification algorithm to classify uniform rock images into 9 different classes with the image features extracted autonomously. Through this method, they achieved a classification accuracy of 96.71%. Recent publications have shown that Convolutional Neural Networks (CNNs) perform better than other algorithms in classifying images of everyday objects, more specifically for the ImageNet dataset. In light of this development, this paper demonstrates the use of CNNs to classify the same set of rock images. With the addition of dataset augmentation, a 3-layer CNN is shown to have a significant improvement over Shu et. al.'s results, achieving an average accuracy of 99.60% across 10 trials on the test set. Having proven that CNNs can classify uniform and clean images of rocks, this research then tackles a more interesting and practical problem in classifying natural scene images of rocks where the images are taken during field exploration without a standardized method and specialized equipment. The task has been simplified into a binary classification problem where the images are classified into breccia and non-breccia. This research shows that a 5-layer CNN achieves 89.43% classification accuracy for this task.
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