Uncertainty-Incorporated Ice and Open Water Detection on Dual-Polarized SAR Sea Ice Imagery
Notice bibliographique
Résumé
Algorithms designed for ice–water classification of synthetic aperture radar (SAR) sea ice imagery produce only binary (ice and water) output typically using manually labeled samples for assessment. This is limiting because only a small subset of labeled samples are used, which, given the nonstationary nature of the ice and water classes, will likely not reflect the full scene. To address this, we implement a binary ice–water classification in a more informative manner considering the uncertainty associated with each pixel in the scene. To accomplish this, we have implemented a Bayesian convolutional neural network (CNN) with variational inference to produce both aleatoric (data-based) and epistemic (model-based) uncertainty. This valuable information provides feedback as to regions that have pixels more likely to be misclassified and provides improved scene interpretation. Testing was performed on a set of 21 RADARSAT-2 dual-polarization SAR scenes covering a region in the Beaufort Sea captured regularly from April to December. The model is validated by demonstrating: 1) a positive correlation between misclassification rate and model uncertainty and 2) a higher uncertainty during the melt and freeze-up transition periods, which are more challenging to classify. By incorporating the iterative region growing with semantics (IRGS) segmentation algorithm and an uncertainty value-based thresholding algorithm, the Bayesian CNN classification outputs are improved significantly via both numerical analysis and visual inspection.
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 | 0,001 | 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 | 0,001 | 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 ».