Analysing multitemporal SAR images for forest mapping
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
The objective of this paper is twofold: first, to presents a generic approach for the analysis of Radarsat-1 multitemporal data and, second, to presents a multi classifier schema for the classification of multitemporal images. The general approach consists of preprocessing step and classification. In the preprocessing stage, the images are calibrated and registered and then temporally filtered. The resulted multitemporally filtered images are subsequently used as the input images in the classification step. The first step in a classifier design is to pick up the most informative features from a series of multitemporal SAR images. Most of the feature selection algorithms seek only one set of features that distinguish among all the classes simultaneously and hence a limited amount of classification accuracy. In this paper, a class-based feature selection (CBFS) was proposed. In this schema, instead of using feature selection for the whole classes, the features are selected for each class separately. The selection is based on the calculation of JM distance of each class from the rest of classes. Afterwards, a maximum likelihood classifier is trained on each of the selected feature subsets. Finally, the outputs of the classifiers are combined through a combination mechanism. Experiments are performed on a set of 34 Radarsat-1 images acquired from August 1996 to February 2007. A set of 9 classes in a forest area are used in this study. Classification results confirm the effectiveness of the proposed approach compared with the case of single feature selection. Moreover, the proposed process is generic and hence is applicable in different mapping purposes for which a multitemporal set of SAR images are available.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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