3D colored point cloud classification of a deep-sea cold-water coral and sponge habitat using geometric features and machine learning algorithms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Classification of benthic habitats in the deep sea is instrumental in managing and monitoring marine ecosystems as it provides distinct units for which changes can be quantified over time. These applications require automatic classification approaches with reasonable accuracy to ensure efficiency and robustness. The use of 3D point clouds is currently emerging in deep-sea benthic classification as it allows for high-resolution representation of the 3D structure (i.e., geometry), texture, and composition of complex benthic habitats such as those created by structure-forming cold-water corals. Point clouds were derived from remotely operated vehicle video surveys of three vertical walls (depth range 1400–1900 m) along the Charlie-Gibbs Fracture Zone, North Atlantic. In addition to RGB values, this research incorporated nine geometric features derived from structure-from-motion 3D point clouds to classify coral and sponge colonies. Three unsupervised (k-means (KM), fuzzy c-means (FCM), and Gaussian mixture model (GMM)) and three supervised (decision tree (DT), random forest (RF), and linear discriminant analysis (LDA)) machine learning (ML) algorithms were compared and assessed for accuracy and reliability. The ML classifiers were used to build full-coverage seafloor predictions for three classes, namely, seabed, sponges, and corals. The KM, GMM, and FCM achieved an average overall accuracy of 74.87%, 71.94%, and 70.77%, respectively, while the RF, LDA, and DT achieved 84.50%, 84.01%, and 79.90%, respectively. Overall, the supervised ML classifiers outperformed the unsupervised ML classifiers. In particular, the RF classifier demonstrated the highest overall classification accuracy and F1-score for individual classes, with an average of 89.09%, 67.12%, and 41.60% for the seabed, sponges, and corals, respectively. In addition, the spatial coherence of the point clouds was considered and improved the results’ overall accuracy and F1-score by up to 9% and 12%, respectively. Results showed that incorporating geometric features, traditionally employed in terrestrial and shallow-water LiDAR surveys, in combination with RGB values is suitable for high-resolution deep-sea benthic 3D point clouds classification.
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.
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 | 0,000 | 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 | 0,000 |
| 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 découle