Pattern Analysis in Marine Data Classification and Recognition: A Plea for Ontologies Análisis de patrones en la clasificación y el reconocimiento de datos marinos: un alegato a favor de las ontologías: Un alegato a favor de las ontologías Analyse des modèles dans la classification et la reconnaissance des données marines: Un plaidoyer pour les ontologies En Es Fr

Résumé En Es Fr

With the advent of upcoming new patterns to handle (e.g., big data and semantic annotation), to encourage research to detect and identify objects, the development of the internet of things in the ocean requires the interconnection of all equipment (sensors) to observe the oceans. By serving as a common conceptualization among these tools, marine ontologies can lead to lower costs and better flexibility in marine data recognition and classification. To that end, marine pattern analysis literature (1991-2021) is used to create a sample network of records, comprising visual and textual features that can be annotated from video and image sequences, with the underwater parameters as the target of interest. The sample is split into ontological and machine learning (ML) datasets to build a prediction of the importance of data visualization techniques. The predicted suitability is strong with data classification that belongs to the machine learning dataset. However, the initial results from the study are encouraging, because ontologies' tools are proposed as automatic reasoning mechanisms.

Con el advenimiento de nuevos esquemas de gestión (p. ej., big data y anotación semántica), para fomentar la detección e identificación de objetos, el desarrollo de la Internet de las cosas (IoT) en el océano requiere la interconexión de todos los equipos de observación del océano (sensores). Debido a que sirven como una conceptualización común entre estas herramientas, las ontologías marinas pueden generar costos reducidos y una mayor flexibilidad en el reconocimiento y la clasificación de datos marinos. Con este fin, se utiliza la literatura de análisis de modelos marinos (1991-2021) para crear una muestra de la red de registros, incluidas las características visuales y textuales que se pueden anotar a partir de secuencias de video e imágenes, con los parámetros submarinos como objetivo de interés. La muestra se divide en conjuntos de datos ontológicos y de aprendizaje automático (ML, por sus siglas en inglés) para construir una predicción de la importancia de las técnicas de visualización de datos. Los resultados de los puntajes de predicción de relevancia son mejores con la clasificación de los datos que pertenecen al conjunto de datos en el modo de aprendizaje automático. Sin embargo, los primeros resultados del estudio son alentadores, ya que las herramientas ontológicas avanzan como impulsoras de los mecanismos de razonamiento automático.

Avec l'avènement de nouveaux schémas de gestion (par exemple, le big data et l'annotation sémantique), pour encourager la recherche de détection et identification des objets, le développement de l'internet des choses (IoT) dans l'océan nécessite l'interconnexion de tous les équipements (capteurs) d'observation de l'océan. C'est parce qu'elles servent de conceptualisation commune entre ces outils, que les ontologies marines peuvent conduire à des coûts réduits et à une plus grande flexibilité dans la reconnaissance et la classification des données marines. À cette fin, la littérature sur l'analyse des modèles marins (1991-2021) est utilisée pour créer un échantillon du réseau des registres, comprenant des caractéristiques visuelles et textuelles qui peuvent être annotées à partir de séquences vidéo et d'images, avec les paramètres sous-marins comme cible d'intérêt. L'échantillon est divisé en ensembles de données ontologiques et d'apprentissage automatique (ML) pour construire une prédiction de l'importance des techniques de visualisation de données. Les résultats des scores de prédiction de pertinence sont meilleurs avec la classification des données qui appartiennent à l'ensemble de données en mode "machine learning" (d'apprentissage automatique). Cependant, les premiers résultats de l'étude sont encourageants, puisque les outils ontologiques avancent en tant que moteurs des mécanismes de raisonnement automatique.