Dual Strategy Based Improved Swarm Intelligence and Stacked LSTM With Residual Connection for Land Use Land Cover Classification
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
Land use land cover (LULC) classification using satellite images is crucial for land-use inventories and environment modeling. The LULC classification is a difficult task because of the high dimensional feature space, which affects the classification accuracy. This article proposes a dual strategy-based bald eagle search (DSBES) algorithm and stacked long short-term memory (LSTM) with residual connection for LULC classification. The dual strategy includes adaptive inertia weight and phasor operator strategy to select relevant features from the feature subset. The stacked LSTM contains multiple layers stacked on top of each other to capture high-level temporal data. By integrating residual connection with stacked LSTM, gradient flow is enabled directly among long sequences, reducing the vanishing gradient issue and fastening the convergence rate. The DSBES and stacked LSTM with residual connection performance are examined in terms of metrics of accuracy, precision, sensitivity, specificity, f1-score, and computational time. The DSBES and stacked LSTM with residual connection achieve higher accuracy values of 99.71%, 98.66%, 97.59%, and 99.24% for UCM, AID, NWPU, and EuroSAT datasets, respectively, as compared to VGG19 and optimal guidance whale optimization algorithm–bidirectional long short-term memory.
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 | 0,000 |
| 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 découle