Spectral–Spatial and Cascaded Multilayer Random Forests for Tree Species Classification in Airborne Hyperspectral 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
The rapid development of remote sensing sensors has made it possible to collect airborne hyperspectral data with high spectral and spatial resolution. Such data can provide valuable information to identify tree species in the forest. However, it is a challenge to efficiently utilize the abundant spectral information and complex spatial information within the data. In this article, a Spectral-Spatial and Cascaded Multilayer Random Forests (SSCMRF) method is proposed to classify tree species in the high spatial resolution hyperspectral image. The SSCMRF adopts two classification stages to fully exploit the spatial information within shape-adaptive superpixels and shape-fixed patches. Two different kinds of spatial information are integrated by concatenating the output of the superpixel-based classification and the spectral features as the input of the patch-based classification. To demonstrate the superiority of the proposed SSCMRF, experiments are conducted with an airborne hyperspectral data set of a forest area with the spatial resolution of 1 m. Training with 2.5% randomly selected ground truth samples, the proposed SSCMRF achieves a classification accuracy of 97.50% within 6 minutes. In addition, the experiment results demonstrate that the proposed SSCMRF outperforms some state-of-art spectral-spatial classification models in terms of quantitative metrics and visual quality on the classification map.
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