MétaCan
Menu
Retour à la cohorte
Enregistrement W2954521826 · doi:10.1109/lgrs.2019.2919918

Subpixel Land-Cover Mapping Based on Extended Random Walker

2019· article· en· W2954521826 sur OpenAlex
Peng Wang, Gong Zhang, Hui Bi, Henry Leung

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueIEEE Geoscience and Remote Sensing Letters · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueRemote-Sensing Image Classification
Établissements canadiensUniversity of Calgary
Organismes subventionnairesEast China Normal UniversityChina Postdoctoral Science FoundationNational Natural Science Foundation of China
Mots-clésSubpixel renderingArtificial intelligenceComputer visionUpsamplingImage resolutionComputer scienceInterpolation (computer graphics)SegmentationImage segmentationObject (grammar)PixelPattern recognition (psychology)Principal component analysisImage (mathematics)

Résumé

récupéré en direct d'OpenAlex

In this letter, a novel subpixel mapping (SPM) based on extended random walker (ERW) (SPMERW) is proposed. First, the resolution of the original coarse remote sensing image is upsampled by bicubic interpolation. Second, the class proportions of subpixel are produced by unmixing the upsampled image. Irregular objects are generated by adaptive segmentation of the first principal component of the upsampled image. Third, the class proportions of the object are derived by averaged fusion of the class proportions of subpixel belonging to each object in the segmentation image. Object spatial dependence including the spatial information among and within the objects is obtained by the ERW algorithm. Finally, a class allocation method based on units of the object is utilized to obtain the SPM result according to the object spatial dependence. Experimental results on two remote sensing data sets show that the proposed SPMERW outperforms the state-of-the-art SPM methods.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,942
Score d'incertitude au seuil0,821

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,199
Écart entre enseignants0,189 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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