Forest Classification Using Simulated Compact Polarimetry Data and Deep Learning Networks
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
In the last two decades, among various Synthetic Aperture RADAR (SAR) imaging modes, Compact Polarimetry (CP) mode has drawn a lot of attention due to less complex imaging system, mass and data rate reduction, and also greater swath width.Having such advantages makes this data very useful for large-scale target mapping, such as forest classification.Different methods have been proposed for forest classification using CP mode, all of which are based on feature extraction.The accuracy of these methods depends on the discrimination of the extracted features.Among these methods, deep learning networks have almost automated the feature extraction phase and obtained impressive results, especially in the classification task.In this paper, the ability of deep learning networks is investigated by using CP mode data in forest classification.The study area of this paper is Petawawa forest located in Ontario, Canada, and the data being used are simulated CP data, Full Polarimetric (FP) data, and also reconstructed Pseudo Quad (PQ) data acquired from RADARSAT-2 in C-band.The proper deep learning network for automatic feature extraction is designed and the classification is performed on CP, FP, and PQ data.The results from all mode classifications are evaluated and compared with each other and also with the results from Wishart classifier and Support Vector Machine (SVM).The results of this paper show that using deep learning networks improves the classification accuracy of CP and PQ modes.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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