APPLICATION OF OFF-NADIR SATELLITE IMAGERY IN EARTHQUAKE DAMAGE ASSESSMENT USING OBJECT-BASED HOG FEATURE DESCRIPTOR
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
Abstract. One of the most crutial applications of very-high-resolution (VHR) satellite images is disaster management. In disaster management, time is of great importance. Therefore, it is vital to acquire satellite images as quickly as possible and benefit from automatic change detection to speed up the process. Automatic damage map generation is performed by overlaying the co-registered before and after images of the area of interest and, compring them to highlight the affected infrastructures. For speeding up image capture, satellites tilt their imaging sensor and take images from oblique angles. However, this kind of image acquisition causes severe geometric distortion in the images, which hinders image co-registration in automatic change detection. In this study, a Patch-Wise Co-Registration (PWCR) solution is used. In this algorithm, the before and after images are co-registered in a segment-by-segment manner. From the literature, this algorithm is followed by a spectral comparison to detect changes. However, due to the complicated structure of debris in damage detection applications, spectral comparison methods cannot perform well. In this work, we developed an object-based method using Histogram of Oriented Gradient descriptor to detect damges and compared our results to different existing spectral and textural change detection methods. The algorithm is tested on images from the 2010-Heidi earthquake, captured by DigitalGlobe. The achieved highly accurate results demonstrate the potential of using off-nadir remote sensing images for automatic urban damage detection possibly in early response systems as it speeds up the damage map generation by providing flexibility to utilize images taken from different anlges.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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