Notice of Violation of IEEE Publication Principles: Reversible Data Hiding and Smart Multimedia Computing Using Big Data in Remote Sensing Systems
Dossier post-publication
Source : Retraction Watch, jointe par DOI. OpenAlex consigne la rétractation dans is_retracted, un booléen sur un espace d'états à au moins quatre valeurs ; il ne peut donc exprimer ni une expression de préoccupation, ni une correction, ni un rétablissement, et les rapporte comme false, ce qui se lit comme « rien à signaler ».
Notice bibliographique
Résumé
Notice of Violation of IEEE Publication Principles“Reversible Data Hiding and Smart Multimedia Computing Using Big Data in Remote Sensing Systems”by Rahul Malik, Aditya Khamparia, Sahil Garg, Deepak Gupta, Bong Jun Choi, M. Shamim Hossain in IEEE Access, Vol 8, August 2020, pp. 153546- 153560After careful and considered review of the content and authorship of this paper by a duly constituted expert committee, this paper has been found to be in violation of IEEE’s Publication Principles.This paper is a duplication of the original text from the paper cited below. The original text was copied without attribution (including appropriate references to the original author(s) and/or paper title) and without permission.“Big Data Geospatial Processing for Massive Aerial LiDAR Datasets”by David Deibe, Margarita Amor, and Ramón Doallo in Remote Sensing, MDPI, February 2020There is a need for improvement of tools to deal with large volumes of multimedia data effectively. In particular, real-time data processing is one of the major problems for multimedia data computing in remote sensing systems. Such big data systems have to offer effective management and computational efficiency for applications in real-time. In this paper, we propose a large-scale geological processing method for aerial Light Detection and Ranging (LiDAR) clouds containing multimedia data that ensures mobility and timeliness. By utilizing Spark and Cassandra, our proposed approach can significantly reduce the execution time of the time-consuming process. We investigate fast ground-only raster generation from huge LiDAR datasets. We observed that filtered cloud data ensuing from impartial consideration of neighboring zones could lead to classification errors on the boundaries. Therefore, an integrated approach is proposed to correct these errors to improve the classification consistency, achieve faster processing time, provide automatic error correction, obtain Digital Terrain Models (DTM), and minimize user intervention. These features can provide a framework for an on-demand DTM output and scalable application services. Furthermore, the proposed approach can expect to benefit other real-time applications in LiDAR systems.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,016 | 0,007 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,016 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,031 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».