Unsupervised change detection of VHR remote sensing images based on multi-resolution Markov Random Field in wavelet domain
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 proposes an unsupervised change detection method for very-high-resolution (VHR) remote sensing images based on multi-resolution Markov random field (MRF) model in wavelet domain. Firstly, the wavelet transform is performed on the difference image achieved by the change vector analysis (CVA) method, and the wavelet coefficients at each scale are obtained. Then, MRF model is constructed based on the wavelet coefficients. The wavelet high-frequency coefficients establish a feature field model that describes the feature attributes of each pixel location at each scale. The initial change map (changed and unchanged) at the coarse scale are generated through applying the k-means method to the wavelet low-frequency coefficients, and a label field model describing the region of the variation results is established. The label and feature field, at the same scale, got the optimized change map under the Bayesian criterion. Finally, the results of the low-resolution scale change map are directly projected as the adjacent higher-scale initial change map. The more accurate change map is obtained successively from the coarse scale to the original resolution scale, and the detection result of the original resolution is obtained at last. Experiments on Quick Bird, SPOT-5, and IKONOS optical images have demonstrated the effectiveness of the proposed method. The experimental results show that the method has better regional consistency and strong robustness.
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 | 0,001 | 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 | 0,001 |
| 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