SpectroChangeNet Model for Change Detection in Synthetic Aperture Radar
Notice bibliographique
Résumé
Change detection using Synthetic Aperture Radar (SAR) has gained increased attention from the research community.The majority of existing change detection models have focused primarily on detection performance, with limited attention given to computational time and memory usage.To address this concern and achieve better change detection performance, a new deep learning model named SpectroChangeNet is introduced in this paper.The SpectroChangeNet model utilizes feature vectors from both the frequency and spatial domains to improve change detection results.Specifically, in the frequency domain, discrete coefficients are extracted from the SAR images using the Discrete Cosine Transform (DCT).In the spatial domain, the Multi-Region Convolution (MRC) module extracts deep feature vectors from the input images.The combined discrete coefficients and deep feature vectors are then used to classify uncertain pixels as changed or unchanged using the softmax function.In addition, a hybrid loss function is integrated with the MRC module to reduce the model's computational time and memory usage.The focal loss efficiently down-weights well-classified samples to concentrate more on hard or mis-classified uncertain samples.Further, the Mean Absolute Error (MAE) ensures that the gradient updates remain balanced and smooth.This model achieved 86.98%, 96.20%, and 94.28% of Kappa Coefficient (KC), and 96.36%, 98.92%, and 98.52% of Percentage of Correct Classification (PCC) on the Yellow River, Sulzberger, and Ottawa datasets.The achieved change detection results are superior compared to the existing models.
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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».