Optimizing Satellite Imagery Object Detection in Challenging Weather Conditions using IoT-Driven Fusion Strategies
Notice bibliographique
Résumé
IoT devices collect data from remote areas for applications like environmental monitoring and disaster management. Satellite imagery complements this data by providing largescale coverage and context, enhancing decision-making in various domains. Aligning sensor data with satellite imagery resolution to integrate IoT and satellite data for advanced analytics poses a challenge, requiring a balance between local and global detection capabilities in the context of diverse spatiotemporal characteristics. Diverse weather conditions further complicate detection accuracy within IoT frameworks, emphasizing the need for comprehensive data capture and accurate analytics. To address this, we employ weighted fusion techniques that combine multiple detection models like You Only Look Once version (YOLOv7) and Detection TRansformer (DETR) algorithms to achieve objected detection with enhanced accuracy and robustness across different weather conditions and spatial scales. Specifically, this method incorporates the Weighted Fusion with Intersection over Union Matching (WF-IoU), Machine Learning (ML)-based fusion using Random Forest Regression (RFR), AdaBoost Regression (ABR), and XGBoost Regression (XGBR), as well as Deep Learning (DL)based fusion. These techniques integrate various algorithms to optimize object detection performance within IoT environments. Nevertheless, determining optimal Fusion Weights (FWs) and ensuring robustness across scenarios remains a challenge. Furthermore, addressing computational complexities in training and optimizing fusion models is imperative for seamless integration into IoT system. To validate our proposals, we conducted detection tasks across eight weather conditions, simulating them with a Satellite Cloud Generator (SCG). From that, we found that fusion method and its sub-approaches outperform the individual algorithms, enhancing object detection in integration with IoT applications, and thereby improving decision-making and resource management in complex scenarios.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».