MétaCan
Menu
Retour à la cohorte
Enregistrement W4248955529 · doi:10.1007/1-4020-2122-4_2

Image Acquisition

2006· book-chapter· en· W4248955529 sur OpenAlexaff
Scott F. Lamoureux, Jörg Bollmann

Notice bibliographique

RevueKluwer Academic Publishers eBooks · 2006
Typebook-chapter
Langueen
DomaineEarth and Planetary Sciences
ThématiqueGeological formations and processes
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésData acquisitionComputer scienceAutomationComputer visionProcess (computing)Image resolutionArtificial intelligenceSample (material)Remote sensingData scienceGeographyEngineering

Résumé

récupéré en direct d'OpenAlex

High-resolution digital photography and acquisition equipment is becoming widely available and cost-effective. Additionally, SEM and related acquisition technologies provide the means for obtaining images with resolution containing both structural and elemental information. Despite the development of new acquisition techniques and hardware, selecting an appropriate imaging solution for a research problem remains a critical issue for sedimentary research. Moreover, despite the differences between acquisition technologies, all share common approaches and considerations in order to obtain the highest quality images for quantitative sedimentary analysis. Consideration should be made to account for artefacts in the acquisition process, particularly that sample shape and illumination variations are accounted for. Additionally, color or equivalent image standards should be included in each image to permit quantifying the properties between images. Finally, image resolution and file storage protocols should be appropriate for the research objective and preserve the original image information (i.e., no compression). Technological advances will undoubtedly create new image acquisition opportunities for sedimentary researchers. Additionally, evolving approaches for the automation of image acquisition will provide increasingly efficient methods to obtain data from long sedimentary sequences or with higher spatial resolution.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,110
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0180,002

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 Opus0,016
Tête enseignante GPT0,209
Écart entre enseignants0,193 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations7
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKluwer Academic Publishers eBooksMême sujetGeological formations and processesTravaux en français237 207