A Framework for the Development and Assessment of Object Recognition Modules from High-Resolution Satellite Images
Notice bibliographique
Résumé
Les nouveaux capteurs satellitaires à haute résolution génèreront des images monochromes lorsqu'ils opéreront dans leur mode de résolution spatiale la plus élevée. Ainsi, les algorithmes conventionnels d'interprétation d'image comme la classification par maximum de vraisemblance atteindront leur limite d'efficacité en raison du manque de dimensionalité spectrale de ces derniers. Pour pallier cette lacune, il faudra développer de nouvelles méthodes d'extraction d'information sur les formes et les objets basées principalement sur le raisonnement spatial et contextuel. Dans cette optique, un système d'essai a été développé pour évaluer l'utilité de différentes combinaisons d'attributs spatiaux/spectraux/contextuels dans le cadre de la reconnaissance de formes communes comme les routes et les bâtiments. Une approche par objectif basée sur la formulation de règles est proposée pour analyser les rendus segmentés d'images dans le contexte de la délimitation de ces objets et de la saisie de leurs caractéristiques cartographiques. Des détails sur la segmentation, le traitement des attributs, le traitement de la réalité de terrain et la formulation des règles sont présentés. À partir de photographies aériennes à résolution de deux mètres, des modules de reconnaissance par exemple sont développés et évalués en aide à la reconnaissance des rues résidentielles.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».