A context-driven pansharpening method using superpixel based texture analysis
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
In this paper, we propose a context-driven injection scheme for pansharpening, in which the injection coefficients are computed over superpixel segments obtained by means of a modified Simple Linear Iterative Clustering (t-SLIC) technique applied on the texture descriptors of the PAN image. By using the t-SLIC algorithm, various homogeneous-connected components can be generated according to their spectral properties. The proposed pansharpening method relies on a multiresolution framework by employing the Generalized Laplacian Pyramid (GLP) tailored to the Modulation Transfer Function (MTF) of the MS sensors for extracting the high frequency details. First, the injection gains are locally computed as regression coefficients between the upsampled MS and low-resolution PAN regions at a reduced scale. Then, they are multiplied by a global weighting factor computed per spectral band and defined as the ratio of variance between expanded MS bands and PAN image. Finally, the spatial details are modulated by means of the estimated global-local injection coefficients at superpixel level to produce the high-resolution MS image. The validation is assessed with two datasets acquired by IKONOS and WorldView-3 satellites. The experimental results show that the proposed method achieves a favourable performance both visually and quantitatively compared to the state of-the-art pansharpening algorithms.
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 | 0,001 |
| Science ouverte | 0,001 | 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