Semantic Segmentation of Land Use / Land Cover (LU/LC) Types Using F-CNNS on Multi-Sensor (Radar-Ir-Optical) Image Data
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
Land Use/ Land Cover (LU/LC) segmentation is a widely studied topic in the field of remote sensing. Past focus has been on independent studies either on color (RGB) and the Normalized Vegetation Index (NDVI) or on Polarimetric Synthetic Aperture Radar (PolSAR) data. In this paper we explore the fusion potential of RGB images with additional SAR and Near Infra-red (NIR) images for enhanced LU/LC segmentation through Fully-Convolutional Neural Networks (F-CNNs). F-CNNs have been extensively studied for semantic segmentation problems with U-Net and SegNet being two well-known F-CNN architectures. Both these architectures were used as references for this study. High resolution RGB, SAR and NIR images were acquired through Google Earth (GE), German Aerospace Center (DLR) and The Planet Laboratories, respectively. IR was converted to NDVI for its higher potential of segmentation of vegetations areas. Four multi-sensor configurations as input channels to the networks were studied after precise co-registration of these images, and the results were compared to individual channels for both architectures. Simon Fraser University (SFU), Burnaby Campus and its surrounding area was selected for this study due its diverse land types. The area was divided into 5 classes i.e. Roads, Buildings, Forest, Water and No class (unclassified). An overall, best accuracy of ~86% was achieved for a five-channel configuration (R+G+B+SAR+NDVI). We show that the inclusion of SAR and IR channels to RGB based network can significantly improve the performance of LU/LC segmentation.
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