CS-CapsFPN: A Context-Augmentation and Self-Attention Capsule Feature Pyramid Network for Road Network Extraction from Remote Sensing Imagery
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
The information-accurate road network database is greatly significant and provides essential input to many transportation-related activities. Recently, remote sensing images have been an important data source for assisting rapid road network updating tasks. However, due to the diverse challenging scenarios of roads in remote sensing images, such as occlusions, shadows, material diversities, and topology variations, it is still difficult to realize highly accurate extraction of roads. This paper proposes a novel context-augmentation and self-attention capsule feature pyramid network (CS-CapsFPN) to extract roads from remote sensing images. By designing a capsule feature pyramid network architecture, the proposed CS-CapsFPN can extract and fuze different-level and different-scale high-order capsule features to provide a high-resolution and semantically strong feature representation for predicting the road region maps. By integrating the context-augmentation and self-attention modules, the proposed CS-CapsFPN can exploit multi-scale contextual properties at a high-resolution perspective and emphasize channel-wise informative features to further enhance the feature representation robustness. Quantitative evaluations on two test datasets show that the proposed CS-CapsFPN achieves a competitive performance with a precision, recall, intersection-over-union, and Fscore of 0.9470, 0.9407, 0.8957, and 0.9438, respectively. Comparative studies also confirm the feasibility and superiority of the proposed CS-CapsFPN in road extraction tasks.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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