Interactive Fracture Segmentation Based on Optimum Connectivity Between Superpixels
Notice bibliographique
Résumé
Oil and gas reservoirs are well studied in petroleum engineering, using seismic data to estimate fluid flow and well placement. However, seismic data cannot capture fractures due to their scale, and fractures may affect rock porosity and permeability. Consequently, rock fracture segmentation and quantification from aerial images of analogous outcrops can input essential information into those studies. This paper presents a new method, named <i>interactive Forest Growing</i> (iFG), for fracture segmentation. The image is initially segmented into superpixels, defining a superpixel graph. The user selects seed superpixels, a path-cost threshold, and fractures are delineated by growing one optimum-path tree from each seed with path costs limited to the selected threshold. iFG considerably increases efficiency while reducing human effort in fracture segmentation compared to pixel-by-pixel manual annotation. We evaluate iFG with three specialists and against an <i>interactive Region Growing</i> (iRG) method using 15 images to measure bias in user interpretations, verify efficiency gain over a similar approach, and generate a dataset with consolidated annotation for future work. The experiments show that iFG reduces user interventions from 19% to 33% compared to iRG, users with more experience in fracture analysis complete segmentation 4-5 times faster, and segmentation effectiveness is independent of user experience since the average F1 scores between users uing both methods ranged from 0.966 to 0.979, allowing us to create a consolidated segmentation.
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 | 0,000 |
| 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 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 ».