Object-based classification of hyperspectral data using Random Forest algorithm
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
This paper presents a new framework for object-based classification of high-resolution hyperspectral data. This multi-step framework is based on multi-resolution segmentation (MRS) and Random Forest classifier (RFC) algorithms. The first step is to determine of weights of the input features while using the object-based approach with MRS to processing such images. Given the high number of input features, an automatic method is needed for estimation of this parameter. Moreover, we used the Variable Importance (VI), one of the outputs of the RFC, to determine the importance of each image band. Then, based on this parameter and other required parameters, the image is segmented into some homogenous regions. Finally, the RFC is carried out based on the characteristics of segments for converting them into meaningful objects. The proposed method, as well as, the conventional pixel-based RFC and Support Vector Machine (SVM) method was applied to three different hyperspectral data-sets with various spectral and spatial characteristics. These data were acquired by the HyMap, the Airborne Prism Experiment (APEX), and the Compact Airborne Spectrographic Imager (CASI) hyperspectral sensors. The experimental results show that the proposed method is more consistent for land cover mapping in various areas. The overall classification accuracy (OA), obtained by the proposed method was 95.48, 86.57, and 84.29% for the HyMap, the APEX, and the CASI data-sets, respectively. Moreover, this method showed better efficiency in comparison to the spectral-based classifications because the OAs of the proposed method was 5.67 and 3.75% higher than the conventional RFC and SVM classifiers, respectively.
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,001 | 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