Multimodal Remote Sensing Classification Algorithms for Vehicle-Road-Cloud Integration
Notice bibliographique
Résumé
The deep integration of intelligent driving systems with remote sensing technology fundamentally leverages the macro-environmental perception capabilities of remote sensing data to compensate for the limitations of onboard sensors such as cameras and LiDAR in terms of field of view, environmental adaptability, and scene comprehension. This enables the construction of a multi-dimensional collaborative perception system encompassing vehicles, roads, and cloud infrastructure. However, existing approaches face challenges when processing multi-source remote sensing data (such as hyperspectral images and LiDAR), including imbalanced complementary feature extraction and spatial feature redundancy due to significant differences in data dimensionality. To address this, this paper proposes an asymmetric Class Enhanced guided Elevation and Spectral Encoding network. First, overlapping grouping by spectral channel is employed to mitigate feature extraction imbalance caused by large data dimensionality differences. Subsequently, a Class Attribute Enhanced Tokenization module focuses on spectral channel groups and elevation features within image patches that best represent class attributes. Complementary semantic features are then fused through cross-modal attention within the encoder. Concurrently, the cross-spectral attention-based encoding approach aggregates spectral features across different spectral channel groups, avoiding redundant spatial feature extraction. Finally, experiments across two joint datasets demonstrate that this approach achieves significantly higher overall accuracy compared to existing classification algorithms. It effectively extends the environmental perception range of vehicle-road coordination systems, offering novel insights for multi-source remote sensing data fusion in intelligent driving.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».