PIXEL VS OBJECT-BASED IMAGE CLASSIFICATION TECHNIQUES FOR LIDAR INTENSITY DATA
Notice bibliographique
Résumé
Abstract. Light Detection and Ranging (LiDAR) systems are remote sensing techniques used mainly for terrain surface modelling. LiDAR sensors record the distance between the sensor and the targets (range data) with a capability to record the strength of the backscatter energy reflected from the targets (intensity data). The LiDAR sensors use the near-infrared spectrum range which provides high separability in the reflected energy by the target. This phenomenon is investigated to use the LiDAR intensity data for land-cover classification. The goal of this paper is to investigate and evaluates the use of different image classification techniques applied on LiDAR intensity data for land cover classification. The two techniques proposed are: a) Maximum likelihood classifier used as pixel- based classification technique; and b) Image segmentation used as object-based classification technique. A study area covers an urban district in Burnaby, British Colombia, Canada, is selected to test the different classification techniques for extracting four feature classes: buildings, roads and parking areas, trees, and low vegetation (grass) areas, from the LiDAR intensity data. Generally, the results show that LiDAR intensity data can be used for land cover classification. An overall accuracy of 63.5% can be achieved using the pixel-based classification technique. The overall accuracy of the results is improved to 68% using the object- based classification technique. Further research is underway to investigate different criteria for segmentation process and to refine the design of the object-based classification algorithm.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».