Multi-temporal PolSAR Image Classification Using F-SAE-CNN
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
Crop classification using polarimetric SAR data is one of the most important applications in Polarimetric Synthetic Aperture Radar (PolSAR) imagery. Obviously, for crop classification, multi-temporal PolSAR data can provide more information than single-temporal PolSAR data, but the processing method of the matching image data is relatively backward. Aiming at the high-dimensional data composed of multi-temporal PolSAR, this paper proposes a method to integrate the stacked auto-encoder network and convolutional neural network, making full use of the dimension reduction advantages of the stacked auto-encoder network and the superior classification performance of the convolutional neural network. By constructing a fusion network, the multi-temporal PolSAR images can be processed once, the classification accuracy can be improved, and the processing steps can be simplified. The experimental results show that, compared with the traditional Stacked Auto-encoder and Convolutional Neural Network (SAE-CNN) classification method, the multitemporal PolSAR image classification method based on Fusion of Stacked Auto-encoder and Convolutional Neural Network (F-SAE-CNN) proposed in this paper has the highest classification accuracy, which effectively combines the advantages of the self-encoding network and the CNN network, and provides a new idea for PolSAR image classification work.
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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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