Multiobjective Genetic Optimization of Terrain-Independent RFMs for VHSR Satellite Images
Notice bibliographique
Résumé
Rational polynomial coefficients (RPCs) biases and over-fitting phenomenon are two major issues in terrain-independent rational function models. These problems degrade the accuracy of extracted spatial information from very high spatial resolution (VHSR) satellite images. This study particularly focused on overcoming the over-fitting problem through an optimal term selection approach. To this end, multiobjective genetic algorithm was used in order to optimize three effective objective functions: the RMSE of ground control points (GCPs), the number, and the distribution of both RPCs and GCPs. Finally, the technique for order of preference by similarity to ideal solution, as an efficient multicriteria decision-making method, was applied to select the best solution, i.e., the optimum terms of RPCs, through the ranking of solutions in the optimum set. The performance of the proposed method was evaluated by using three VHSR images acquired by GeoEye-1, Worldview-3, and Pleiades satellite sensors. Experimental results show that subpixel accuracy can be nearly achieved in all data sets, when over-fitting problem is addressed. The optimal selected terms leaded to a significant improvement compared to the original RPCs. Indeed, our method, which is independent of GCPs distribution, not only requires a small number of GCPs, but also leads to a 30% to 75% improvement when compared to the original RPCs. This improvement in VHSR images, usually makes no more need to remove the RPCs biases.
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 | 0,001 | 0,002 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».