Detection of clouds in sky/cloud and aerial images using moment based texture segmentation
Notice bibliographique
Résumé
Unmanned aircraft flying beyond line of sight in uncontrolled airspace need to maintain adequate separation from local inclement weather patterns for regulatory compliance and operational safety. Although commercial solutions for `weather avoidance' exist, they are tailored to manned aviation and as such either lack the accuracy or the size, weight, and power (SWaP) requirements of small Unmanned Aerial System (UAS). Detection and ranging to the cloud ceiling is a key component of weather avoidance. Proposed herein is a computer vision approach to cloud detection consisting of feature extraction and machine learning. Six image moments on local texture regions were extracted and fused within a classification algorithm for discrimination of cloud pixels. Three different popular classifiers were evaluated for efficacy. Two publicly available datasets of all-sky images were utilized for training and test datasets. The proposed approach was compared to five well-known thresholding techniques via quantitative analysis. Results indicate that our method consistently outperformed the popular thresholding methods across all tested images. Comparison between the classification techniques indicated random forests to possess the highest training accuracy, while multilayer perceptrons showed better prediction accuracy on the test dataset. Upon extending the method to realistic images including background clutter, the random forest classifier demonstrated the best training accuracy of 100% and the best prediction accuracy of 96%. Although computationally more expensive, the random forest classifier also produced the fewest number of false positives. A sensitivity analysis for window sizes is presented for robust validation of the chosen approach, which showed that detection accuracy improved in proportion to window size at the expense of computation time.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».