A Novel Interest-Point-Matching Algorithm for High-Resolution Satellite Images
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
<para xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> Interest-point matching is a key technique for image registration. It is widely used for 3-D shape reconstruction, change detection, medical image processing, computerized visioning systems, and pattern recognition. Although numerous algorithms have been developed for different applications, processing local distortion inherent in images that are captured from different viewpoints remains problematic. High-resolution satellite images are normally acquired at widely spaced intervals and typically contain local distortion due to ground relief variation. Interest-point-matching algorithms can be grouped into two broad categories: area based and feature based. Although each type has its own particular advantages in specific applications, they all face the common problem of dealing with ambiguity in smooth (low-texture) areas, such as grass, water, highway surfaces, building roofs, etc. In this paper, a new algorithm for interest-point matching of high-resolution satellite images is proposed. The conceptual basis of this algorithm is the detection of “super points,” those points which have the greatest interest strength (i.e., which represent the most prominent features) and the subsequent construction of a control network. Sufficient spatial information is then available to reduce the ambiguity and avoid false matches. We commence this paper with a brief review of current research on interest-point matching. We then introduce the proposed algorithm in detail and describe experiments with three sets of high-resolution satellite images. The experiment results show that the proposed algorithm can successfully process local distortion in high-resolution satellite images and can avoid ambiguity in matching the smooth areas. It is simple, fast, and accurate. </para>
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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