A depth-based land-use semantic extraction method for landscape images
Notice bibliographique
Résumé
Integrated aerial and ground-based observations are essential for rapid land-use classification in modern land surveys, requiring efficient analysis of large volumes of landscape images. These images often contain background noise that impedes classification accuracy and exhibit spatial compression of the main scene, which causes semantic spatial distortion as depth increases. To address these challenges, this paper proposes a depth-based land-use semantic extraction (DLSE) method that effectively reduces background noise and corrects spatial distortions. The DLSE method follows three main steps: (1) depth estimation per pixel using a multi-resolution neural network to delineate the main scene range, filtering semantic noise; (2) conversion of perspective projection to orthographic projection per pixel to correct spatial distortion; and (3) improved land-use semantic extraction through MobileViT-enhanced feature extraction in SegNet. Experimental results demonstrate that DLSE achieves a 96.84 % accuracy with more detailed outputs and operates at 23 fps, positioning it as an efficient tool for automated land surveys and land-use decision-making. • Projection Transformation: Converts perspective projection to orthographic projection, reducing spatial distortion in land-use semantics. • Enhanced Segmentation: Integrates MobileViT into SegNet, optimizing feature extraction for better efficiency and accuracy in segmentation. • Accurate Depth Estimation: Uses multi-resolution deep neural networks for precise pixel depth estimation, filtering background noise. • High Performance Metrics: Achieves 96.84 % accuracy in land-use semantic extraction with a processing speed of 23 fps on mobile devices.
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) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».