Notice bibliographique
Résumé
The 2025 5th International Conference on Computer, Remote Sensing and Aerospace (CRSA 2025) was convened in Jinan, China, from August 22 to 24, 2025. Since its inception, the CRSA conference series has been dedicated to promoting international exchange and collaboration in cutting-edge fields such as computer science, remote sensing technology, and aerospace engineering, establishing itself as a highly influential academic platform in these domains. Building upon the successful experiences and academic traditions of the previous four conferences, CRSA 2025 focused on the latest findings, technological breakthroughs, and future directions in mechanical, aerospace and automotive engineering. The conference aimed to provide an open, inclusive, and efficient environment for leading academics, researchers, and industry professionals to engage in in-depth dialogue and collaboration. In the context of rapid technological advancement, interdisciplinary integration has become a key driver of innovation in areas such as intelligent sensing, image processing, and manned/unmanned aviation. CRSA 2025 centered on these hot topics through diverse formats, including keynote speeches delivered by renowned experts: • Prof. Guisong Xia from Wuhan University, China: “AI4Geo: from Image Measurement to Geo-spatial Intelligence”. • Prof. Bin Zou from Central South University, China: “Practical Applications and Prospects of Remote Sensing for Heavy Metal Pollution Monitoring”. • Prof. Qingsheng Zeng from Universite du Quebec en Outaouais (UQO), Canada: “Analysis and Design of Lightweight, High-Efficiency, and Circularly Polarized Antennas for Satellite Platforms”. • Prof. Lu Leng from Nanchang Hangkong University, China: “Some New Findings about Security and Privacy of AI Systems”. List of Committee Member is available in this PDF.
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 ».