Applying deep learning for identifying bioturbation from core photographs
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
ABSTRACT Advances and availability of deep learning (DL) software have recently allowed the development, testing, and deployment of automated image classification schemes for sedimentary features from core images. The development of these methods is especially relevant for extracting useful geological features from otherwise unused core photographs. This paper demonstrates and tests the use of a DL workflow for the automated extraction of bioturbation data from a core photograph data set. The proposed workflow includes extracting image tiles from core photographs along a grid and referencing each tile with collected sedimentary data. Each labeled image tile is then used as a training and testing input for a machine learning algorithm. This method allows users to quickly generate thousands of labeled training images. To demonstrate and test this workflow, a data set was collected using PyCHNO™, an open-source software specifically designed to collect sedimentary data from core photographs. The resulting data set comprising 13,545 tiles of 128 × 128 pixel resolution is used to train a DL algorithm to automatically predict if a core photograph contains evidence of bioturbation. The trained model was able to predict whether or not an image demonstrated evidence of bioturbation with up to 88% accuracy. The workflow demonstrates one of many possible applications for automatically extracting biogenic or physical sedimentary structure data from core photographs. Models built using this approach can be used to “seed” wells from a given area or interval, which can therefore significantly increase the value of core photograph data sets with relative ease.
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