Illuminated Road Extraction Based on Deep Learning Using the Nighttime Light and Multispectral Imageries of SDGSAT-1
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
The 10-m nighttime light (NTL) imagery provided by the Sustainable Development Science Satellite-1 (SDGSAT-1) provided an effective data source for the extraction of SDGSAT-1 illuminated roads on the Earth. Although our previous work introduced an improved U-Net model for illuminated road extraction from the NTL imagery of SDGSAT-1, some of the illuminated roads extracted from the NTL imagery were disconnected due to relatively poor illumination conditions. To improve the accuracy of extracting illuminated roads using NTL imagery, this study used both NTL imagery and daytime multispectral (MS) imagery taken by SDGSAT-1. Several state-of-the-art deep learning models were considered in this work, including U-Net, SegNet, ResUNet, D-LinkNet, DeeplabV3+, and DSC-ResUNet. The predicted results of these models using the combination of NTL and MS (NTL+MS) as the input were compared with those obtained using only the NTL bands as the input. The Precision, Recall, F1, and IoU values of Deeplab V3+, D-LinkNet, Unet, ResUNet, and DSC-ResUNet obtained by using the combination of NTL and MS as the input were higher than those obtained by using only the NTL bands as the input. Meanwhile, the visual comparison also showed that the predicted results of NTL+MS were more accurate and reduced the cases of missing and disconnected road segments. The experimental results demonstrated that the combination of NTL and MS images is effective for improving the accuracy of illuminated road extraction using deep learning.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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