論文の概要: CRACKS: Crowdsourcing Resources for Analysis and Categorization of Key Subsurface faults
- arxiv url: http://arxiv.org/abs/2408.11185v1
- Date: Tue, 20 Aug 2024 20:40:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-22 21:06:50.030850
- Title: CRACKS: Crowdsourcing Resources for Analysis and Categorization of Key Subsurface faults
- Title（参考訳）: CRACKS:鍵地下断層の分析・分類のためのクラウドソーシング資源
- Authors: Mohit Prabhushankar, Kiran Kokilepersaud, Jorge Quesada, Yavuz Yarici, Chen Zhou, Mohammad Alotaibi, Ghassan AlRegib, Ahmad Mustafa, Yusufjon Kumakov,
- Abstract要約: 我々は,クラウドソーシングリソースを利用して,地下画像の欠陥を検出し,セグメント化するための$texttCRACKS$データセットを提案する。
我々は、アマゾン・メカニカル・トルクを利用して、オランダ北海の地下画像から断層線を得る。
この論文は、初心者および実践者のラベルから専門家ラベルを検出し、セグメンテーションするためのベンチマークを提供する。
- 参考スコア（独自算出の注目度）: 12.709449728378777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Crowdsourcing annotations has created a paradigm shift in the availability of labeled data for machine learning. Availability of large datasets has accelerated progress in common knowledge applications involving visual and language data. However, specialized applications that require expert labels lag in data availability. One such application is fault segmentation in subsurface imaging. Detecting, tracking, and analyzing faults has broad societal implications in predicting fluid flows, earthquakes, and storing excess atmospheric CO$_2$. However, delineating faults with current practices is a labor-intensive activity that requires precise analysis of subsurface imaging data by geophysicists. In this paper, we propose the $\texttt{CRACKS}$ dataset to detect and segment faults in subsurface images by utilizing crowdsourced resources. We leverage Amazon Mechanical Turk to obtain fault delineations from sections of the Netherlands North Sea subsurface images from (i) $26$ novices who have no exposure to subsurface data and were shown a video describing and labeling faults, (ii) $8$ practitioners who have previously interacted and worked on subsurface data, (iii) one geophysicist to label $7636$ faults in the region. Note that all novices, practitioners, and the expert segment faults on the same subsurface volume with disagreements between and among the novices and practitioners. Additionally, each fault annotation is equipped with the confidence level of the annotator. The paper provides benchmarks on detecting and segmenting the expert labels, given the novice and practitioner labels. Additional details along with the dataset links and codes are available at $\href{https://alregib.ece.gatech.edu/cracks-crowdsourcing-resources-for-analysis-and-categorization-of-key -subsurface-faults/}{link}$.
- Abstract（参考訳）: クラウドソーシングアノテーションは、機械学習のためのラベル付きデータの可用性のパラダイムシフトを生み出した。
大規模データセットの可用性は、ビジュアルデータと言語データを含む共通知識アプリケーションの進歩を加速した。
しかし、専門家のラベルを必要とする特殊なアプリケーションは、データの可用性が遅れている。
そのような応用の1つは、地下イメージングにおける断層セグメンテーションである。
断層の検出、追跡、分析は、流体の流れ、地震を予測し、余剰な大気中のCO$2$を貯蔵する社会的な意味を持つ。
しかし、現在の慣行による断層の描写は、地球物理学者による地下画像データの正確な解析を必要とする労働集約的な活動である。
本稿では,クラウドソースリソースを利用して,地下画像の欠陥を検出し,セグメント化するための$\texttt{CRACKS}$データセットを提案する。
我々は、アマゾン・メカニカル・トルクを利用して、オランダ北海の地下画像から断層線を得る。
(i)地下データに触れず、欠陥を記述し、ラベル付けしたビデオを見せられた26ドルの初心者。
(ii)これまで地下データに関わった経験のある8ドルの実践者。
第三に、この地域で7636ドルの断層を認定する地球物理学者。
すべての初心者、実践者、専門家のセグメントは、初心者と実践者の間で意見の相違がある同じ地下のボリュームに欠陥があることに注意してください。
さらに、各フォールトアノテーションは、アノテータの信頼レベルを備える。
この論文は、初心者および実践者のラベルから専門家ラベルを検出し、セグメンテーションするためのベンチマークを提供する。
データセットのリンクとコードの詳細は、$\href{https://alregib.ece.gatech.edu/cracks-crowdsourcing-resources-for-analysis-and-categorization-of-key -sub surface-faults/}{link}$で確認できる。
関連論文リスト
- CableInspect-AD: An Expert-Annotated Anomaly Detection Dataset [14.246172794156987]
$textitCableInspect-AD$は、カナダの公共ユーティリティであるHydro-Qu'ebecのドメインエキスパートによって作成、注釈付けされた高品質なデータセットである。
このデータセットには、現実世界の異常に挑戦する高解像度の画像が含まれており、さまざまな重度レベルの欠陥をカバーしている。
モデルの性能を評価するために,クロスバリデーションに基づく包括的評価プロトコルを提案する。
論文 参考訳（メタデータ） (2024-09-30T14:50:13Z) - Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。
DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。
10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-07-20T01:34:13Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Building Inspection Toolkit: Unified Evaluation and Strong Baselines for
Damage Recognition [0.0]
損傷認識の分野において、関連するオープンソースデータセットを含むデータハブを簡易に使用するためのビルディングインスペクションツールキット -- bikit -- を紹介します。
データセットには評価分割と事前定義されたメトリクスが組み込まれており、特定のタスクとそのデータ分布に適合する。
この領域の研究者のモチベーションを高めるために、私たちはリーダーボードとモデルの重みをコミュニティと共有する可能性も提供します。
論文 参考訳（メタデータ） (2022-02-14T20:05:59Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - Improving the quality control of seismic data through active learning [0.0]
画像復号化問題では、利用可能な画像の密度の増大は、徹底的な視覚検査を不可能にする。
本稿では,最も関連性の高いデータを逐次選択するための新しいアクティブラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-01-17T20:15:37Z) - Deep residential representations: Using unsupervised learning to unlock
elevation data for geo-demographic prediction [0.0]
LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。
現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。
我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
論文 参考訳（メタデータ） (2021-12-02T17:10:52Z) - Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。
今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。
本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
論文 参考訳（メタデータ） (2021-10-05T10:45:51Z) - Competency Problems: On Finding and Removing Artifacts in Language Data [50.09608320112584]
複雑な言語理解タスクでは、すべての単純な特徴相関が突発的であると論じる。
人間バイアスを考慮したコンピテンシー問題に対するデータ作成の難しさを理論的に分析します。
論文 参考訳（メタデータ） (2021-04-17T21:34:10Z) - Improving Monocular Depth Estimation by Leveraging Structural Awareness
and Complementary Datasets [21.703238902823937]
視覚特徴の空間的関係を利用するために,空間的注意ブロックを有する構造認識ニューラルネットワークを提案する。
第2に,一様点対に対する大域的局所的相対損失を導入し,予測における空間的制約を増大させる。
第3に、先行手法の障害事例の分析に基づいて、挑戦シーンの新たなHard Case (HC) Depthデータセットを収集します。
論文 参考訳（メタデータ） (2020-07-22T08:21:02Z) - REVISE: A Tool for Measuring and Mitigating Bias in Visual Datasets [64.76453161039973]
REVISE(Revealing VIsual biaSEs)は、視覚的データセットの調査を支援するツールである。
1)オブジェクトベース,(2)個人ベース,(3)地理ベースという3つの次元に沿った潜在的なバイアスを呈示する。
論文 参考訳（メタデータ） (2020-04-16T23:54:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。