Weakly Supervised Learning for Pixel-Level Sea Ice Concentration Extraction Using AI4Arctic Sea Ice Challenge Dataset
Notice bibliographique
Résumé
High-resolution sea ice concentration (SIC) maps are critical to support various applications, e.g., climate modeling, ship navigation, and activities in Northern communities. However, operational mapping of SIC based on expert annotations is coarse in spatial resolution and time-consuming to prepare. Although many convolutional neural network (CNN)-based methods have been proposed for automated sea ice mapping from synthetic aperture radar (SAR) imagery in recent years, the lack of pixel-based labels for model training hinders them from producing high-resolution reliable mapping results. To overcome this challenge, this letter presents a novel weakly supervised learning approach that generates pixel-level SIC prediction using coarse region/polygon-level SIC ground truth. Specifically, a novel region-level loss function is designed to enable direct use of regional/polygon SIC values in ice charts for the training of a U-Net-based model. This avoids the errors in transferring region-level SIC values to pixel-level ground-truth SIC values effectively and allows the generation of pixel-level SIC and sea ice extent (SIE) estimates. The proposed approach is evaluated on the recently published AI4Arctic Sea Ice Challenge Dataset with over 500 Sentinel-1 SAR scenes, ancillary data, and associated ice charts. The results demonstrate the effectiveness of the weakly supervised model in producing pixel-level high-resolution SIC maps that are consistent with ice charts and visual interpretation.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».