A fuzzy approach to supervised segmentation parameter selection for object-based classification
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
Today's very high spatial resolution satellite sensors, such as QuickBird and IKONOS, pose additional problems to the land cover classification task as a consequence of the data's high spectral variability. To address this challenge, the object-based approach to classification demonstrates considerable promise. However, the success of the object-oriented approach remains highly dependent on the successful segmentation of the image. Image segmentation using the Fractal Net Evolution approach has been very successful by exhibiting visually convincing results at a variety of scales. However, this segmentation approach relies heavily on user experience in combination with a trial and error approach to determine the appropriate parameters to achieve a successful segmentation. This paper proposes a fuzzy approach to supervised segmentation parameter selection. Fuzzy Logic is a powerful tool given its ability to manage vague input and produce a definite output. This property, combined with its flexible and empirical nature, make this control methodology ideally suited to this task. This paper will serve to introduce the techniques of image segmentation using Fractal Net Evolution as background for the development of the proposed fuzzy methodology. The proposed system optimizes the selection of parameters by producing the most advantageous segmentation in a very time efficient manner. Results are presented and evaluated in the context of efficiency and visual conformity to the training objects. Testing demonstrates that this approach demonstrates significant promise to improve the object-based classification workflow and provides recommendations for future research.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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