L'apport de l'analyse de texture et des réseaux de neurones dans la cartographie de l'utilisation du sol en milieu urbain cas de la ville de Sherbrooke
Bibliographic record
Abstract
Dans ce projet de mémoire nous avons étudié l'utilité de la texture et des réseaux de neurones pour la classification du milieu urbain de la ville de Sherbrooke. Nous avons développé dans le chapitre l, le problème de la cartographie du milieu urbain par les méthodes conventionnelles. Après nous avons fixé des objectifs spécifiques; (i) l'amélioration de la classification d'une image Ikonos de la ville de Sherbrooke par l'ajout de la texture, (ii) l'évaluation des réseaux de neurones pour la classification d'un milieu urbain et (iii) la comparaison entre ces différentes méthodes de classification. Dans le chapitre 2, nous avons détaillé théoriquement les méthodes utilisées. On a commencé par la méthode du maximum de vraisemblance mais vu que cette méthode est utilisée dans ce projet juste pour comparer ses résultats avec les autres méthodes, nous ne l'avons pas détaillée beaucoup. Dans le chapitre 3, nous avons développé la méthodologie. On a commencé par un organigramme qui prend en détail les différentes étapes à suivre."--résumé abrégé par UMI.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".