Multi-Class Pixel Certainty Active Learning Model for Classification of Land Cover Classes Using Hyperspectral 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
An accurate identification of objects from the acquisition system depends on the clear segmentation and classification of remote sensing images. With the limited financial resources and the high intra-class variations, the earlier proposed algorithms failed to handle the sub-optimal dataset. The building of an efficient training set iteratively in active learning (AL) approaches improves classification performance. The heuristics-based AL provides better results with the inheritance of contextual information and the robustness to noise variations. The uncertainty exists pixel variations make the heuristics-based AL fail to handle the remote sensing image classification. Previously, we focused on the extraction of clear textural pattern information by using the extended differential pattern-based relevance vector machine (EDP-AL). This paper extends that work into the novel pixel-certainty activity learning (PCAL) based on the information about textural patterns obtained from the extended differential pattern (EDP). Initially, distributed intensity filtering (DIF) is used to eliminate noise from the image, and then histogram equalization (HE) is used to improve the image quality. The EDP is used to merge and classify different labels for each image sample, and this algorithm expresses the textural information. The PCAL technique is used to classify the HSI patterns that are important in remote sensing applications using this pattern collection. Pavia University and Indian Pines (IP) are the datasets used to validate the performance of the proposed PCAL (PU). The ability of PCAL to accurately categorize land cover types is demonstrated by a comparison of the proposed PCAL with existing algorithms in terms of classification accuracy and the Kappa coefficient.
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 | 0,001 |
| 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