COMBINATION OF OBJECT-BASED AND PIXEL-BASED IMAGE ANALYSIS FOR CLASSIFICATION OF VHR IMAGERY OVER URBAN AREAS
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
Although spatial measures such as texture and shape extracted from very high resolution imagery (VHR) have been successfully employed in pixel-based classifications, the effectiveness of such measures in classification mainly depends on the optimal window size in which spatial measures are calculated. However, an optimal window size is usually subjective and varies for different image and different land cover types. Multiresolution segmentation of object-based image analysis, on the other hand, results objects with different size and shape, which are meaningful and better represent the real size and shape of land cover types. This paper introduces a new approach to land cover classification which benefits from both pixel-based and object-based image analyses. The VHR image is firstly segmented into different levels of segmentations. For each level, one set of spectral measures and two sets of spatial measures, texture and morphology, are extracted and then stacked to the original bands of VHR image forming a several-band image. To determine the contribution of each set of measures in separating urban land cover classes, the separability distance for all class pairs are calculated based on Bhattacharryya distance for each set of measures (i.e. spectral, texture and morphology). A pixel-based maximum likelihood classification is then applied to each set of bands. Results show that adding either texture or morphology to the original bands of VHR image has almost the same effect in increasing the overall classification accuracy. Furthermore, the classification accuracy of buildings and roads increases significantly by incorporation of spatial measures in classification procedure.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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