A Framework for the Development and Assessment of Object Recognition Modules from High-Resolution Satellite Images
Bibliographic record
Abstract
Les nouveaux capteurs satellitaires à haute résolution génèreront des images monochromes lorsqu'ils opéreront dans leur mode de résolution spatiale la plus élevée. Ainsi, les algorithmes conventionnels d'interprétation d'image comme la classification par maximum de vraisemblance atteindront leur limite d'efficacité en raison du manque de dimensionalité spectrale de ces derniers. Pour pallier cette lacune, il faudra développer de nouvelles méthodes d'extraction d'information sur les formes et les objets basées principalement sur le raisonnement spatial et contextuel. Dans cette optique, un système d'essai a été développé pour évaluer l'utilité de différentes combinaisons d'attributs spatiaux/spectraux/contextuels dans le cadre de la reconnaissance de formes communes comme les routes et les bâtiments. Une approche par objectif basée sur la formulation de règles est proposée pour analyser les rendus segmentés d'images dans le contexte de la délimitation de ces objets et de la saisie de leurs caractéristiques cartographiques. Des détails sur la segmentation, le traitement des attributs, le traitement de la réalité de terrain et la formulation des règles sont présentés. À partir de photographies aériennes à résolution de deux mètres, des modules de reconnaissance par exemple sont développés et évalués en aide à la reconnaissance des rues résidentielles.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".