An adaptive fuzzy evidential nearest neighbor formulation for classifying remote sensing images
Notice bibliographique
Résumé
The paper presents a novel adaptive fuzzy evidential nearest neighbor formulation for classifying remotely sensed images. The formulation combines the generalized fuzzy version of the Dempster-Shafer evidence theory (DSET) and the K-nearest neighbor (KNN) algorithm. Each of the K nearest neighbors provides evidence on the belongingness of the input pattern to be classified, and it is evaluated based on a measure of disapproval to achieve the adaptive capability during the classification process. The disapproval measure quantifies the lack of support with respect to the belongingness of the input pattern to a given class. Pieces of evidence are ranked based on their degree of disapproval and fused in a sequential manner. The pignistic Shannon entropy is used to estimate the degree of consensus among pieces of evidence provided by nearest neighbors and as a criterion for terminating the evidence fusion process. The paper reports the results of experimental work conducted to evaluate the proposed classification scheme using real multichannel remote sensing images. As will be demonstrated using the experimental results, the proposed classification scheme demonstrated robust performance and outperformed commonly used methods such as the K-nearest neighbor algorithm of Cover and Hart (1967), the fuzzy K-nearest neighbor algorithm of Keller et al. (1985), the evidence-theoretic K-nearest neighbor algorithm of Denoex (1995), and its fuzzy version of Zouhal and Denoex (1997). The performance of these techniques is examined with respect to the K-parameter and classification accuracy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».