Cast Shadow Angle Detection in Morphological Aerial Images Using Faster R-CNN
Notice bibliographique
Résumé
With the tremendous advancements in digital image processing technology over the last few years, it is now possible to resolve many challenging issues. In light of this, this study proposes that digital image processing can be used to detect shadows in photographs. Since unmanned aerial vehicles and satellite devices have become more common image generating devices. The significant issue in the generated images is of its shadow. Shadows are inevitable in remote sensing photographs, particularly in metropolitan environments, due to the block of high-rise objects and the influence of the sun's altitude. This results in missing information in the shadow zone. The state-of-the-art shadow detection algorithms require manual alignment and predefined specific parameters. Most of those existing algorithms fail to deliver precise results in a variety of lighting and ecological conditions. To overcome these limitations, we propose a framework Multi Layered Linked approach with Tagged Feature Model for Shadow Angle Detection (MLTFM-SAD). The aim of the proposed model is to detect the shadows from aerial photographs and angle of those shadows. The proposed framework is a three-step approach. Initially, the image segmentation is applied on the input images. Second, hybrid Gaussian mixing mode and Otsu's approach is applied on the segmented shadow mask map and corresponding pixel set is generated. As a result, an initial shadow mask map is refined using object spectral attributes and spatial correlations between objects. Finally, the angle at which the shadow appears in the given image is recognised and analysed. The proposed method's performance is compared to that of all current approaches and the results revealed that the proposed model performance levels are superior.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».