Object-Oriented Unsupervised Change Detection Based on Neighborhood Correlation Images and <i>k</i>-Means Clustering for the Multispectral and High Spatial Resolution Images
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
An unsupervised change-detection problem is formulated as a binary classification problem corresponding to the change and no change areas. This paper proposes a novel unsupervised object-oriented change detection method based on neighborhood correlation images (NCIs) and k-means clustering for high-resolution remote sensing images. We tested our proposed method in two study areas of Beijing with RapidEye images and compared it with three other popular change detection methods based on different images: change vector analysis (CVA), principal component analysis (PCA), and multivariate alteration detection (MAD). The results indicate that our method has the highest overall accuracy (90.80% in Shunyi District, Beijing and 90.40% in Daxing District, Beijing) and Kappa coefficient (0.7922 in Shunyi District, Beijing and 0.7796 in Daxing District, Beijing). In addition, the McNemar test indicates that our method is robust and stable across different study areas. We concluded that the object-oriented NCIs method outperforms traditional difference images (CVA, PCA, and MAD) in unsupervised change detection. The experimental results demonstrate the effectiveness of the proposed approach in solving the problem of unsupervised change detection for high-resolution images.
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 | 0,001 | 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