Wetland Mapping Using Multi-Spectral Satellite Imagery and Deep Convolutional Neural Networks: A Case Study in Newfoundland and Labrador, Canada
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
Due to the advent of powerful parallel processing tools, including modern Graphics Processing Units (GPU), new deep learning algorithms, such as Convolutional Neural Networks (CNNs), have significantly altered the state-of-the-art algorithms in satellite classification of complex environments. Recent studies have demonstrated that the generic feature maps extracted from CNNs are incredibly effective in wetland classification. The main drawback of very deep CNNs is described as structurally complex, causing the need for extensive training data. To address deep Convolutional Neural Network’s limitations, a timely and computationally efficient CNN architecture is proposed in this paper. The results of the proposed model were compared to other well-known CNNs (i.e., GoogleNet and SqueezeNet) and several machine learning algorithms, including Random Forest, Gaussian Naïve Bayes, and the Bayesian Optimized Tree. Results showed while significantly reduced the training time, the proposed deep learning method outperformed GoogleNet and SqueezeNet by about 12.71% and 12.2% in terms of mean overall accuracy, respectively. The classification results shown that the accuracy of wetland classes (fen, marsh, swamp, and shallow water) were significantly improved by applying the proposed CNN method.
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