Active Learning-Based Spectral–Spatial Classification for Discriminating Tree Species in Hyperspectral Images
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
Exploiting spectral–spatial information and reducing the number of required training samples are important for improving tree species classification performance in hyperspectral images. In this article, an active learning-based spectral–spatial classification (ALSSC) model is proposed to reduce the demand for training samples while improving the classification performance. To improve classification performance, the proposed ALSSC employs two ways to exploit spectral–spatial information within the hyperspectral image: 1) features used in classification are extracted from multiscale superpixels; 2) the classification result is refined by guided filtering and subsequently employed as the input for the next round of classification. To reduce the demand for training samples, after each round of classification, active learning (AL) is adopted to select the most informative samples from the unlabeled testing set to enrich the training set. To validate the effectiveness of the proposed ALSSC, experiments are conducted using a tree species classification dataset collected by an airborne hyperspectral sensor. Remarkably, when compared to the state-of-the-art AL-based approach using the same number of labeled samples, the ALSSC demonstrates an accuracy improvement of 11.62%. In addition, trained with fewer labeled samples, the ALSSC outperforms state-of-the-art spectral–spatial classification methods that do not incorporate AL.
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 | 0,001 | 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 | 0,001 |
| 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