Influence of sample distribution and prior probability adjustment on land cover classification
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
Machine learning algorithms are widely used for remote sensing land surface characterization. Successful implementation requires a representative training sample for the domain it will applied in (i.e. area of interest or validation domain). However, accessibility and cost strongly limit the acquisition of suitable training samples for large regional applications. Further, it is often desirable to use previously developed datasets where significant resources have been invested, such as data developed from extensive field survey or high resolution remotely sensed imagery. These data often only partially represent the domain of interest and can lead to various forms of sample bias (land cover distribution or class properties). Classifier spatial extension is an extreme case, where a sample is trained from one region (i.e. sample domain) and applied in another (i.e. application domain). This approach is desirable from a cost perspective, but achieving acceptable accuracy is often difficult. In this research we investigate two approaches to account for possible differences between the sample and application domain land cover distributions. The first is an iterative resampling approach to predict the application distribution and adjust the sample distribution to match. The second is the use of prior probabilities to adjust class memberships. Results reinforce the importance of the land cover distribution on accuracy for algorithms that are designed to minimize the classification error with training data. Of the adjustments methods tested resampling was superior if the application domain distribution was well known. However, if it is not then the use of prior probabilities performed similarly overall. A generic model was developed to predict if resampling or prior adjustment should be applied to enhance accuracy.
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 | 0,001 |
| 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 découle