SeGaMas : Serious Game for Marine Mammals Survey
Notice bibliographique
Résumé
Studying cetaceans is a complex task, due to the inaccessibility of the marine environment and low visibility. Passive acoustics is a very promising non-invasive solution. Nowadays, detection and classification of recorded species are carried out automatically and with good accuracy, in particular using AI methods. However, using such methods to locate animals is still imprecise, due to the lack of ground truth data on their actual movements.To overcome this, we are working on the creation of a complete model of acoustic scenes, called SeGaMas (Serious Game for Marine (mammals) Survey). This model includes the generation of realistic cetacean trajectories, inspired by [1] and [2] , the regular emission of a biophonic signal, and a ray-tracing model to reconstruct the signal arriving at the sensor. As inputs, the model receives bathymetric, oceanographic and ambient noise data. As output, it provides animal trajectories, the received signal and the paths taken by this signal.These simulated data are then used to create a “click sequences to trajectories” AI model, capable of reconstructing the trajectory of a sound source from a simple recording. They will also be useful in the study of cetacean perceptions, and to better design and position our sensors.[1] Parrott et al (2010). 3MTSim: An agent-based model of marine mammals and maritime traffic to assist management of human activities in the Saint Lawrence Estuary, Canada.[2] Chouchane et al (2012), EvoCOP 2012: Splitting method for spatio-temporal sensors deployment in underwater systems
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».