Robust to outlier image inpainting for interface detection in primary separation vessel
Notice bibliographique
Résumé
The Primary Separation Vessel (PSV) is integral to the bitumen extraction process in the oil sands industry. Effective control of the interface between the froth and middlings layers is critical for the PSV’s optimal operation. Computer vision techniques can monitor this interface using the images captured from the PSV sight glass. However, image-based models suffer from a lower performance when the image quality is inferior. This is evident in the case of the image data being affected by external degradations. Image inpainting addresses the task of removing unwanted objects and improving the quality of the images. Variational Autoencoder (VAE) can be trained to remove the degradations and restore the image quality. However, in the latent space of a standard VAE which uses a Gaussian distribution for the prior, the input information is spread across all the latent dimensions. This is not suitable particularly in scenarios where the input data consists of a limited number of salient features, without involving complex patterns. This under-regularization of latent space may impact the performance of inpainting when outliers are present in the training data. In this article, a Laplace VAE framework is proposed where the prior is modeled as a Laplace distribution to achieve a better regularization of the latent space and enhance robustness to the outliers in training data. Further, we demonstrate that the Laplace prior promotes sparsity in the latent representations, when there are limited features of interest in the input. This model is used to restore degraded images from a pilot-scale PSV and the interface level is predicted from the restored images using a region-based segmentation method. • Laplace VAE model for robust image inpainting in the presence of outliers. • The model removes occlusions from degraded lab-scale PSV images effectively. • Laplace prior to handle outliers by accommodating the extreme data. • Induces sparsity and improves regularization in the latent space. • Robustness to outliers in training data, compared to Gaussian VAE model.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».