Improving Off-Nadir Deep Learning-Based Change and Damage Detection through Radiometric Enhancement
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
Abstract. Aerial and satellite imagery can provide vital information to relief organizations about the extent and distribution of damages after natural disasters. With manual change detection being too inefficient to be effective, the pursuit of automated change detection has accelerated with the recent developments of deep learning methods. Off-nadir imagery (captured not directly overhead) is the fastest to acquire post-disaster, making it ideal for disaster management scenarios. However, the changes in viewing angles result in shadows and occlusions, making damage detection more difficult. Differences in illumination conditions are ever present in bitemporal aerial and satellite imagery, especially for off-nadir imagery, where the reflectance angle affects the amount of light returning to the sensor, making it harder to detect changes and damages. The hypothesis of this study was that artificial intelligence methods fail to adequately account for the illumination differences between images. To test this hypothesis, two radiometric enhancements, matching and equalization, were applied to four change and damage detection datasets, including a damage detection dataset from the 2010 Haiti earthquake. Using a leading high accuracy fusion convolutional neural network architecture called Changer, improvements of up to 20 percent for F1-Score, a popular remote sensing metric for quantifying the number of correctly classified pixels for specific datasets, were achieved through applying radiometric enhancement techniques. Applying radiometric enhancements on a case-by-case basis led to considerable improvements in accuracy, showing the promise of radiometric enhancement. Lower accuracies were achieved on the Haiti dataset, outlining the need for large disaster-specific datasets for training.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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