論文の概要: Automated Borehole Core Analysis with Report-Derived Weak Labels and Supervised Crack Segmentation

• arxiv url: http://arxiv.org/abs/2608.12252v1
• Date: Wed, 12 Aug 2026 16:51:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.654848
• Title: Automated Borehole Core Analysis with Report-Derived Weak Labels and Supervised Crack Segmentation
• Title（参考訳）: 報告型弱肉ラベルと改良型き裂偏析によるボアホールコアの自動解析
• Abstract要約: ボアホールのアーカイブには、コアトレイの写真と対応するデジタルログのレポートが含まれているが、ネイティブピクセルレベルのクラックアノテーションはない。 本稿では,これらのアーカイブから欠陥対応情報を抽出するための2つの補完的アプローチについて検討する。 我々は手動で5,087個のコアロー画像に注釈を付け,完全教師付きき裂分離モデルの評価を行った。
• 参考スコア（独自算出の注目度）: 16.6279494287779
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Borehole archives commonly contain core tray photographs and corresponding digital log reports, but no native pixel-level crack annotations. We investigate two complementary approaches for extracting defect-spacing information from these archives. First, structured spacing categories recovered from the report text layer provide weak interval-level labels for classification. A DINO encoder trained on unlabeled core crops supplies domain-specific representations, and a manually verified subset is used to identify label inconsistencies. Second, we manually annotate 5,087 extracted core-row images and evaluate fully supervised crack-segmentation models. Our gated U-Net combines PiDiNet edge maps with Mask R-CNN masks through a learned spatial gating mechanism. This configuration achieves an F1 score of 0.860 and a crack-class IoU of 0.754, the highest result among the evaluated segmentation configurations. Deterministic post-processing converts predicted crack locations into defect-spacing categories. Separate rule-based branches estimate core-relative bedding angles and lithological color descriptors; their predictions agree with log-report references on 75.4% and 84.7% of 1,200 evaluated images, respectively. Because these references are extracted from existing reports, the reported values measure agreement with recorded geological observations rather than independent physical accuracy. The resulting framework combines report-derived weak supervision for spacing classification with fully supervised segmentation for image-based crack localization.
• Abstract（参考訳）: ボアホールのアーカイブには、コアトレイの写真と対応するデジタルログのレポートが含まれているが、ネイティブピクセルレベルのクラックアノテーションはない。 本稿では,これらのアーカイブから欠陥対応情報を抽出するための2つの補完的アプローチについて検討する。 まず、レポートテキスト層から復元された構造化間隔カテゴリは、分類のための弱い間隔レベルラベルを提供する。 ラベル付きコア作物で訓練されたDINOエンコーダはドメイン固有の表現を提供し、手動で検証されたサブセットを使用してラベルの不整合を識別する。 第2に,手動で抽出した5,087個のコアロー画像に注釈を付け,完全教師付きき裂分離モデルの評価を行った。 我々のゲートU-Netは、学習空間ゲーティング機構を通じて、PiDiNetエッジマップとMask R-CNNマスクを組み合わせる。 この構成は、評価されたセグメンテーション構成の中で、F1スコア0.860、クラッカークラスIoU 0.754を達成する。 決定論的後処理は、予測された亀裂位置を欠陥対応カテゴリに変換する。 異なるルールベースの分岐では、コア相対ベディング角とリソジカルカラー記述子を推定し、その予測は、1200の評価画像の75.4%と84.7%のログレポート参照と一致している。 これらの基準は既存の報告から抽出されるため、報告された値は、独立した物理的精度ではなく、記録された地質観測との一致を測定する。 結果として得られたフレームワークは、スペーシング分類のためのレポート由来の弱い監督と、画像ベースのクラックローカライゼーションのための完全に教師付きセグメンテーションを組み合わせる。

関連論文リスト

• Ten Architectures, One Error: Shared Failure Modes in Hyperspectral Classification under Spatially Disjoint Evaluation [0.0]
  ランダムスプリット法では、大量のテストピクセルがトレーニングピクセルにすぐ隣に落下し、報告された精度を膨らませる。 本研究では,空間分離をモデル受容場にリンクするリークフリー評価プロトコルを提案する。 このプロトコルを古典、スペクトル、スペクトル空間、トランスフォーマー、ビジョンバックボーン、ステートスペースファミリを含む10の異なるアーキテクチャに適用すると、マクロF1は平均で0.147減少し、モデルランキングは最大5箇所まで変化する。
  論文  参考訳（メタデータ） (2026-09-01T18:58:59Z)
• Open-Ended CT Volume Segmentation with Weak Supervision from Language [60.690380060745134]
  本稿では, ボクセルレベルの監視と粗大だがスケーラブルなスライスレベルの監視を組み合わせたCTスキャンのためのテキスト条件分割モデルの訓練手法を提案する。 我々は,強ラベル付きデータによる標準的なセグメンテーション損失と,抽出された弱監督によるスライスレベルの分類損失を伴って,汎用2次元画像セグメンテーションモデルSAM3を微調整する。 ReXGroundingCTデータセットを用いた結果から,完全ラベル付き巻数1000の場合には8%,完全ラベル付き巻数250の場合には22%に向上した。
  論文  参考訳（メタデータ） (2026-07-28T15:29:12Z)
• Pixel-Level Pavement Distress Assessment Using Instance Segmentation [0.0]
  本稿では,Mask R-CNN のインスタンスセグメンテーションに基づく視覚に基づく舗装災害解析システムを提案する。 最高の性能モデルは84.23%の精度、90.04%のリコール、87.04%のF1スコアをプロジェクト固有のバウンディングボックスマッチングプロトコルで達成した。 その結果, ケースセグメンテーションは, 現場舗装画像と集合的き裂面積推定の実用的な方向であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-25T17:53:23Z)
• StructCore: Structure-Aware Image-Level Scoring for Training-Free Unsupervised Anomaly Detection [5.925242470217676]
  最大プーリングは、メモリバンクベースの教師なし異常検出(UAD)において、異常スコアマップを画像レベルの決定に変換するデファクトスタンダードである。 本研究では,最大プーリングを超越した,トレーニング不要で構造を考慮した画像レベルのスコアリング手法であるStructCoreを提案する。
  論文  参考訳（メタデータ） (2026-02-19T03:35:24Z)
• CORA: Consistency-Guided Semi-Supervised Framework for Reasoning Segmentation [54.53371540755023]
  推論セグメンテーションは、複雑でしばしば暗黙的な指示によって参照されるターゲットに対して、ピクセル精度の高いマスクを求める。 我々は、限定ラベル付きデータとラベルなし画像の大きなコーパスから共同で学習する半教師付き推論セグメンテーションフレームワークCORAを提案する。 CORAは最先端の結果を達成し、都市景観理解のためのベンチマークデータセットであるCityscapesにラベル付きイメージを100個まで必要としています。
  論文  参考訳（メタデータ） (2025-11-21T20:14:55Z)
• Few Shot Part Segmentation Reveals Compositional Logic for Industrial Anomaly Detection [11.996050578189056]
  本稿では,論理異常(LA)検出のための新しいコンポーネントセグメンテーションモデルを提案する。 ラベル付き画像間の一貫したセグメンテーションを確保するために,エントロピーロスと合わせてヒストグラムマッチングロスを用いる。 LAを効果的に検出するために,異なるメモリバンクからの異常スコアを推論で標準化する適応スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2023-12-21T12:14:31Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)
• Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
  弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。 これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。 本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-03-02T13:59:41Z)

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。