A Novel Unsupervised Change Detection Network Based on Legendre Multiwavelet Theory and Depthwise Convolution With Channel Gating
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
Synthetic Aperture Radar (SAR) image change detection is a fundamental task in remote sensing image analysis. However, the poor discriminability of image change features and the low detectability in complex change regions, such as farmland, and riverbanks, are challenging for unsupervised learning methods. To address these challenges, this paper proposes a novel unsupervised learning network architecture based on Legendre Multi-wavelet theory and Depthwise Convolution with Channel Gating (LWDCG). In LWDCG, we first design an Legendre Wavelet Channel Attention module leveraging LW transform to decompose SAR image into multi-wavelet multi-scale representations and combining with a channel attention mechanism to enhance discriminative feature learning. Then, we employ a hierarchical strategy integrating with Possibilistic C-Means clustering to enhance clustering performance. Furthermore, we introduce a DCG module integrating depthwise separable convolution with a gating mechanism. This design enables both efficient feature extraction and dynamic filtering of change-sensitive features, significantly improving detection performance in complex regions. Finally, Extensive experiments on three public SAR datasets (Sulzberger, Ottawa, and Yellow River) demonstrate the effectiveness of our approach, achieving percentage of correct classification (PCC) of 98.88%, 98.46%, and 95.73%, respectively. The results validate the rationality and superiority of the proposed network architecture in SAR change detection tasks.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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