Spatial response resampling (SR2): Accounting for the spatial point spread function in hyperspectral image resampling
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
With the increased availability of hyperspectral imaging (HSI) data at various scales (0.03–30 m), the role of simulation is becoming increasingly important in data analysis and applications. There are few commercially available tools to spatially degrade imagery based on the spatial response of a coarser resolution sensor. Instead, HSI data are typically spatially degraded using nearest neighbor, pixel aggregate or cubic convolution approaches. Without accounting for the spatial response of the simulated sensor, these approaches yield unrealistically sharp images. This article describes the spatial response resampling (SR 2 ) workflow, a novel approach to degrade georeferenced raster HSI data based on the spatial response of a coarser resolution sensor. The workflow is open source and widely available for personal, academic or commercial use with no restrictions. The importance of the SR 2 workflow is shown with three practical applications (data cross-validation, flight planning and data fusion of separate VNIR and SWIR images). •The SR 2 workflow derives the point spread function of a specified HSI sensor based on nominal data acquisition parameters (e.g., integration time, altitude, speed), convolving it with a finer resolution HSI dataset for data simulation. •To make the workflow approachable for end users, we provide a MATLAB function that implements the SR 2 methodology.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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