Subpixel Land Cover Mapping Based on Dual Processing Paths for Hyperspectral Image
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
The subpixel mapping (SPM) technique can handle coarse fractional images derived by unmixing coarse original hyperspectral (HS) image to produce a fine land cover map at the subpixel scale. A popular SPM approach is a two-step model. It first increases the spatial resolution of coarse fractional images by subpixel sharpening to produce fine fractional images and then assigns class labels to each subpixel by the class allocation method. However, there is only a single processing path of the current SPM algorithm, and the information type of the fine fractional images is not rich. To enrich the information type, SPM based on dual processing paths (DPP) is proposed. DPP contains two processing paths, namely spatial-spectral path and multiscale path. First, the coarse original HS image and the high spatial resolution multispectral image are fused by component substitution to produce the fine fractional images with more spatial-spectral information in the spatial-spectral path. At the same time, deep Laplacian pyramid networks are used to obtain the fine fractional images with multiscale information in the multiscale path. The fine fractional images from the two paths are then integrated to generate the improved fraction images with multiscale spatial-spectral information. Finally, the multiscale spatial-spectral information is utilized to allocate class labels by the class allocation method. Experimental results on three real HS remote sensing data show that the proposed DPP outperforms the other SPM methods, demonstrating the effectiveness of the use of DPP in enriching the information type of the fine fractional images.
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 | 0,000 |
| 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 découle