Determination of Segmentation Parameters for Object-Based Remote Sensing Image Analysis from Conventional to Recent Approaches: A Review
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
Remote sensing has evolved through the appearance of several approaches. Object-based image analysis is a compelling approach to land use classification, object detection, and change detection in each environment. This paradigm is based on a critical and fundamental segmentation step. However, this step is highly dependent on the determination of the optimal parameters to be achieved. In this sense, methods have been invented to define the optimal segmentation parameters. This article presents an updated review of methods for defining optimal segmentation parameters. For this purpose, pertinent articles published in the main remote sensing journals from the emergence of the concept of object-based image analysis and segmentation to the present were used. The main aim is to provide a precise and detailed review of the different approaches previously presented. The originality of this review resides in the survey of all methods from conventional to the most recent with a discussion of these approaches. The results show that despite the advances in this field of research, most studies use the manual trial-and-error method. Conversely, state-of-the-art methods tend to determine the optimal parameter per type of geographic object and the adaptive calculation of segmentation parameters. Furthermore, the leading methods identified rely on supervised and unsupervised measures similarly, most of which use homogeneity measures. In contrast, a balance between intra- and inter-segment homogeneity and heterogeneity measures are more relevant. A distinction is made between pre-estimation and posterior parameter estimation methods.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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