Spectral-Spatial Classification of Vegetative Cover Types Using Hyperspectral Data
Notice bibliographique
Résumé
1. Перспективные информационные технологии дистанционного зондирования Земли: Моногр. / Под ред. В. А. Сойфера. Самара: Новая техника, 2015. 256 с. 2. Chen C., Li W., Tramel E.W., Cui M., Prasad S., Fowler J. E. Spectral-spatial preprocessing using multihypothesis prediction for noise-robust hyperspectral image classification // IEEE J. Sel. Top. Appl. Earth Observ. Remote Sens. 2014. Vol. 7. Р. 1047–1059. 3. Palsson F., Ulfarsson M. O., Sveinsson J. R. Hyperspectral image denoising using a sparse low rank model and dual-tree complex wavelet transform // Proc. of the Geoscience and Remote Sensing Symposium (IGARSS), IEEE International. 2014. P. 3670–3673. 4. Zhen Ye, Mingyi He, Fowler J. E., Qian Du. Hyperspectral image classification based on spectra derivative features and locality preserving analysis // Proc. of the Signal and Information Processing (ChinaSIP), IEEE China Summit & International Conference. 2014. P. 138–142. 5. Borhani M., Ghassemian H. Hyperspectral Image Classification Based on Spectral-Spatial Features Using Probabilistic SVM and Locally Weighted Markov Random Fields // Iranian Conference on Intelligent Systems (ICIS 2014). 2014. P. 1–6. 6. Yang Hu, Eli Saber, Monteiro Sildomar T., Cahill Nathan D., Messinger David W. Classification of hyperspectral images based on conditional random fields // Proc. SPIE 9405, Image Processing: Machine Vision Applications VIII, 940510 (February 27, 2015); doi:10.1117/12.2083374; http://dx.doi.org/10.1117/12.2083374 7. Tarabalka Y., Rana A. Graph-Cut-Based Model for Spectral-Spatial Classification of Hyperspectral Images // International Geoscience and Remote Sensing Symposium (IGARSS); Quebec, Canada. 2014. P. 3418–21. 8. Lillesand M. T., Kiefer R. W., Chipman J. W. Remote Sensing and Image Interpretation. N. Y.: John Wiley & Sons, 2004. 763 p. 9. Hader D. P. Imageanalysis: methods and applications. London: CRC Press, 2000. 480 p. 10. Baumgardner M. F., Biehl L. L., Landgrebe D. A. 220 Band AVIRIS Hyperspectral Image Data Set: June 12, 1992 Indian Pine Test Site 3. Purdue University Research Repository. 2015. doi:10.4231/R7RX991C. 11. Борзов С. М., Потатуркин А. О., Потатуркин О. И., Федотов А. М. Исследование эффективности классификации гиперспектральных спутниковых изображений природных и антропогенных территорий // Автометрия. 2016. № 1. С. 3–14. 12. Green A. A., Berman M., Switzer P., Craig M. D. A transformation for ordering multispectral data in terms of image quality with implications for noise removal // IEEE Transactions on Geoscience and Remote Sensing. 1988. Vol. 26. No. 1. P. 65–74.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».