Refining Naive Annotations with Limited Expert Guidance for Semantic Segmentation: A Case Study on Underwater Echograms
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
Training models for supervised semantic segmentation typically requires large quantities of pixel-level annotations that are difficult to assemble in many application domains, in particular when metadata is scarce. In the context of underwater echogam analysis for environmental monitoring, metadata scarcity is manifested by a lack of ground truth and limited domain expert resources, hindering standard data annotation processes. We propose an iterative, non-interactive annotation approach that allows us to obtain large quantities of echogram annotations using minimal expert guidance. In a two-stage process, a segmentation neural network is first purposely overfitted to a very small expertly annotated set, and is then used to iteratively refine a larger set of rough, naive annotations. Experiments on the Cape Bathurst Arctic Sea Surface Acoustics (CBASSA) dataset showcase our method's capability to generate annotations for the sea surface and subsurface entrained air bubbles that approach expert quality level (within 5.5 p.p. for the intersection over union and 3 p.p. for the F1-score), starting from simple non-expert lines obtained at a fraction of the time required by experts. They also show that our method is compatible with both convolutional- and transformer-based neural networks, and pave the way for annotating large datasets resulting from long/continuous deployments for underwater environmental monitoring, at minimal cost.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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