Deep-sea observatories images labeled by citizen for object detection 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
Observatories provide continuous access to both coastal and deep-sea ecosystems, particularly from underwater imaging that is a non-destructive method for examining biodiversity on unprecedented time and space scales. The success of imagery data for scientific purposes leads to new challenges linked to the processing of the exponential amount of data collected, which can be time-consuming and tedious. Annotated images databases are generated by scientists, students, technical staff in laboratories, as well as by citizens through online platforms. They can be used to train machines -through AI models- for automatic processing of images collected by cameras at observatories underwater sites, identifying and analysing fauna and habitats for ecosystem monitoring purposes. In this case, we prepared the citizen science annotations from Deep Sea Spy as a training dataset for YoloV8. Indeed, Deep Sea Spy is a participative science platform launched in 2017, that provides access to images from EMSO-Azores and Ocean Networks Canada observatories for annotation purposes. We also used an expert annotated dataset for model validation. The archive includes: - An Images directory containing 3979 images from both observatories - The raw dataset containing 253323 annotations with 15 labeled classes from Deep Sea Spy : Alvinocaridid shrimp, Brittle star, Buccinoid snail, Bythograeid crab, Cataetyx fish, Chimera fish, Mussel bed, Polynoid worm, Polynoid worms, Pycnogonid (Sea spider), Spider crab, Tubicolous worm bed, Zoarcid fish, Microbial mat, Other fish - The cleaned dataset containing 14967 annotations with the Buccinidae and Bythograeidae classes - The expert dataset used for training validation of the Buccinid class - YoloV8 trained models on Buccinidae and Bythograeidae (.pt files) More information about data format, data cleaning and model training is available in the README file. The full pipeline is freely available on github.com/ai4os-hub/deep-species-detection
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) | 0,001 | 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 | 0,001 |
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