5 ключевых показателей для оценки нескольких моделей дистанционного зондирования
tech-stories few-shot-learning few-shot-learning-for-uav-data unmanned-aerial-vehicles satellite-based-remote-sensing disaster-scene-classification xai-in-remote-sensing disaster-classification remote-sensing-data

5 ключевых показателей для оценки нескольких моделей дистанционного зондирования

10 июня 2025 г.
  1. Аннотация и введение
  2. Фон
  3. Тип данных датчика дистанционного зондирования
  4. Clarkmark Demote Sensing Dataets для оценки моделей обучения
  5. Метрики оценки для нескольких ударов дистанционного зондирования
  6. Недавние методы обучения в дистанционном зондировании
  7. Обнаружение и сегментация объекта на основе нескольких выстрелов в дистанционном зондировании
  8. Обсуждения
  9. Численные эксперименты нескольких выстрелов в наборе данных на основе БПЛА
  10. Объяснимый ИИ (XAI) в дистанционном зондировании
  11. Выводы и будущие направления
  12. Благодарности, декларации и ссылки

5 Метрики оценки для нескольких выстрелов

Прежде чем углубляться в различные подходы в задаче с дистанционным зондированием с несколькими выстрелами, мы выделяем в этом разделе некоторые показатели оценки, которые более подходят для задачи обучения с несколькими выстрелами. Распределение данных будет отображать некоторую степень дисбаланса между учебным набором и набором тестов для размера малой выборки в отличие от типичных задач на основе обучения, и, следовательно, необходимо вызвать соответствующие показатели, посвященные такому дисбалансу. Мы иллюстрируем в таблице 1 различные показатели вместе с кратким обзором. Метрики - это матрица путаницы, точность, отзыв, оценка F1, общая точность (OA), средняя точность (AA), коэффициент каппа κ и кривая PR. (5)-(9) Математически описывают некоторые показатели, как указано в соответствующих уравнениях.

Table 2 Evaluation metrics commonly utilized in few-shot learning-based approaches.

Переменные t p, f p, t n и f n в предыдущих уравнениях представляют собой истинный положительный, ложно -положительный, истинный отрицательный и ложный отрицательный класс соответственно. В уравнении (6) Nclasses относится к общему количеству классов, которые принимаются во внимание.

Авторы:

(1) Гао Ю Ли, Школа электротехники и электронных инженеров, Нанянг Технологический университет, 50 Нанянг -авеню, 639798, Сингапур (Gaoyu001@e.ntu.edu.sg);

(2) Плотина Танмой, Школа машиностроения и аэрокосмической инженерии, Технологический университет Наняна, 65 Нанянг Драйв, 637460, Сингапур и Департамент компьютерных наук, Университет Нью -Орлеана, Новый Орлеан, 2000 Лейкшор Драйв, LA 70148, США (США (США.tanmoy.dam@ntu.edu.sg);

(3) MD Meftahul Ferdaus, Школа электротехники и электронного инженера, Нанянг Технологический университет, 50 Nanyang Ave, 639798, Сингапур (mferdaus@uno.edu);

(4) Даниэль Пуйу Понар, Школа электротехники и электронных инженеров, Технологический университет Наняна, пр. Наняна, 639798, Сингапур (Epdpuiu@ntu.edu.sg);

(5) Vu N. Duong, Школа машиностроения и аэрокосмической инженерии, Nanyang Technological University, 65 Nanyang Drive, 637460, Сингапур (vu.duong@ntu.edu.sg)

Эта статья естьДоступно на ArxivПод CC By-NC-SA 4,0 лицензия.

Оригинал

Recent Post

Categories

PREVIOUS ARTICLE
NEXT ARTICLE