TL;DR
- v1 نوع اعلام:.
- جدید چکیده:.
- فراتر از مزایای بیوفیزیکی فوری،.
چه اتفاقی افتاد
v1 نوع اعلام:. جدید چکیده:.
فراتر از مزایای بیوفیزیکی فوری،. درختان شهری نقش اساسی در پایداری محیط زیست و کاهش بلایا دارند.
نقشه برداری دقیق از درختان شهری برای نظارت بر محیط زیست،. ارزیابی پس از فاجعه و سیاست تقویت ضروری است.
با این حال،. انتقال از بررسیهای میدانی سنتی و فشرده به سیستمهای خودکار مقیاسپذیر به دلیل هزینههای بالای حاشیهنویسی و تعمیم.
ضعیف در سناریوهای مختلف شهری محدود است. این مطالعه یک چارچوب چندوجهی را معرفی میکند که تصاویر ماهوارهای با وضوح بالا را با نمای خیابان.
Google در سطح زمین ادغام میکند تا تشخیص درخت شهری مقیاسپذیر و دقیق را در شرایط حاشیهنویسی محدود. فعال کند.
این چارچوب ابتدا از تصاویر ماهوارهای برای بومیسازی نامزدهای درخت استفاده میکند و سپس نماهای. هدفمند سطح زمین را برای تشخیص دقیق بهطور قابل توجهی بازیابی میکند.
کاهش نمونهگیری ناکارآمد در سطح خیابان برای رسیدگی به گلوگاه حاشیه نویسی،. تطبیق دامنه برای انتقال دانش از یک مجموعه داده مشروح موجود به یک منطقه جدید مورد علاقه استفاده.
میشود. برای به حداقل رساندن بیشتر تلاش انسان،.
ما سه استراتژی یادگیری را ارزیابی کردیم:. یادگیری نیمه نظارتی،.
یادگیری فعال،. و یک رویکرد ترکیبی که هر دو را با استفاده از یک مدل تشخیص مبتنی بر ترانسفورماتور ترکیب.
میکند. استراتژی ترکیبی بهترین عملکرد را با امتیاز F1 0.
90 به دست آورد که نشان دهنده بهبود 12 درصدی نسبت به مدل پایه است. در مقابل،.
یادگیری نیمه نظارت شده به دلیل سوگیری تایید در برچسب گذاری شبه،. کاهش عملکرد پیشرونده را نشان میدهد،.
در حالی که یادگیری فعال بهطور پیوسته نتایج را از طریق مداخله هدفمند انسانی برای برچسب زدن پیش. بینیهای نامشخص یا نادرست بهبود میبخشد.
تجزیه و تحلیل خطا بیشتر نشان داد که استراتژیهای فعال و ترکیبی هر دو مثبت کاذب و. منفی کاذب را کاهش میدهند.
ما یافتهها اهمیت رویکرد چندوجهی و حاشیهنویسی هدایتشده برای نقشهبرداری درخت شهری مقیاسپذیر و کارآمد برای تقویت برنامهریزی. شهری پایدار را برجسته میکنند.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.