In-situ Sea Ice Detection using DeepLabv3 Semantic Segmentation
Notice bibliographique
Résumé
Identifying type and concentration of sea-ice is a crucial activity performed to assess navigational risk in arctic waters and support daily ice charting activities of the Canadian Ice service. Recent advancements in deep neural networks offer an automated solution to ice charting with retraining capability to continuously improve the system using new data. In this work, we evaluate and compare two popular deep learning based semantic segmentation architectures: Pyramid Parsing Network (PSPNet101) and Deep Labelling for semantic image segmentation (Deeplabv3) for sea ice total concentration detection. The datasets are created using the Nathaniel B. Palmer dataset imagery with four main classes: ice, sky, ocean, and ship, and divided into training, validation, and test sets. The overall mean Intersection of Union (mIoU) performance of Deeplabv3 is 90.21 while for PSPNet101 reported an mIoU of 90.1. The main advantage of the Deeplabv3 model is its compatibility for mobile devices with faster inference speed than the PSPNet101 architecture. The results demonstrate an average inference speed of 0.08s for Deeplabv3 while the PSPNet requires more than 1.9s per image to generate results on a Jetson AGX Xavier deep learning navigation box. Furthermore, the model is capable of successfully performing on mobile devices after Tensorflow Lite conversion with an average execution time of 12s per image on an off the shelf Android device.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,004 | 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 tête enseignante, 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 ».