A High-Performance, Equus Jubatus-Optimized Deep Learning Model for Satellite Image-Based Change Detection
Notice bibliographique
Résumé
The ability to detect changes in Earth's surface using satellite imagery is a crucial tool for monitoring and managing the dynamic terrestrial transformations.This process, however, necessitates the continuous refinement of techniques within the field of remote sensing.In this study, an advanced hybrid deep fusion model, underpinned by the Equus Jubatus optimization algorithm, is presented for effective change detection in satellite imagery.This novel fusion model is the result of a hybridization of pre-trained models, encompassing Fully Connected DenseNet (FC-DenseNet), Res-U-Net, U-Net, and SegNet, which collectively optimize fusion parameters.The Equus Jubatus optimization algorithm, central to this process, promotes rapid convergence while reducing computational complexities.This proposed model generates binary change maps from bitemporal satellite images, with experiments conducted using optical satellite images sourced from the Landsat satellite.Performance was assessed across three different databases, yielding an accuracy of 0.963 and an F1 score of 0.904 for Database 1, an accuracy of 0.895 and an F1 score of 0.812 for Database 2, and an accuracy of 0.819 and an F1 score of 0.862 for Database 3.These results suggest that the proposed model offers superior performance in comparison to existing stateof-the-art techniques.
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 | 0,000 | 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 | 0,000 |
| 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 ».