Development of Line-of-Sight Digital Surface Model for Co-Registering Off-Nadir VHR Satellite Imagery With Elevation Data
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
Co-registration of very-high-resolution (VHR) images with elevation data is extremely important for many remote sensing applications due to the complementary properties of these two data types. However, this type of multidata source registration has many associated challenges. For instance, although VHR satellite images are usually acquired off-nadir, the integration of off-nadir images with digital surface models (DSMs) for the purpose of urban mapping has been rarely seen in research publications. This is due to the relief displacement of the elevated objects, which causes a problematic misregistration between the perspective off-nadir images and the corresponding orthographic DSMs. Therefore, the co-registration of such datasets is almost impossible unless a true orthorectification process is executed. However, true orthoimages are expensive, time consuming, and difficult to achieve. Thus, this paper proposes a registration method based on developing a line-of-sight DSM solution to effectively register elevation data with off-nadir VHR images. The method utilizes the relevant sensor model in two phases: deriving DSM from stereo images and reprojecting the DSM back to one of the stereo images to generate a line-of-sight DSM for accurate co-registration. To demonstrate the applicability of the proposed method and evaluate the effect of the misregistration, a building detection procedure is implemented. The proposed method is found to be feasible, inexpensive, and of subpixel accuracy. Additionally, it improves the overall accuracy of detecting buildings by almost 12% relative to that when the conventional two-dimensional (2-D) registration technique is used solely due to the elimination of the misregistration effect.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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