Semi and Self-supervised Learning for Multi-label Classification for an Underwater Inspection Imagery Application
Notice bibliographique
Résumé
<title>Abstract</title> Underwater inspections are crucial for the preventive maintenance of offshore equipment from the oil and gas industry. However, the entire inspection process is costly, subjective and time-consuming. Traditionally, specialists assess equipment conditions through image and sensor data collected by underwater vehicles that travel to the seabed. Since this data can present a wide range of events, an inspection can yield a considerable amount of data. Despite being a tedious task, this data is undoubtedly domain-specific, requiring a group of highly specialized professionals to correctly scrutinize it. In this scenario, we propose using image classification models to help specialists find event(s) of interest. However, there are challenges inherent to the underwater inspection image classification problem, such as: high cost and scarcity of balanced labeled data, presence of label noise, high intra-class variance and characteristics of underwater images such as turbidity and uneven lightning conditions. Therefore, traditional supervised models might not fulfill the task. We undertake this problem with the methods DINO (Self-DIstillation with NO labels, self-supervised) and a new proposed method mPAWS, a multi-label version of PAWS (Predicting View Assignments With Support Samples, semi-supervised). The results obtained show the benefits of using such models for the application, achieving an improvement of $2.7\%$ when compared to current state-of-the-art supervised models. Such models can perform real-time inference, which can help accelerate the tasks of the underwater vehicle, making the work of the specialists more time-efficient.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».