Region-Local Copula Evidence Fusion for Heterogeneous Remote Sensing Change Detection
Aggiunta all'archivio di AIChronos il (numero del 26 settembre 2026 ricostruito)· fonte del · Zhiyuan Ji, Junjun Yin, Jian Yang
Questo lavoro introduce un metodo di fusione delle evidenze basato su copule regionali-locali per migliorare la rilevazione dei cambiamenti in immagini remote sensing eterogenee. L'approccio combina una struttura decisionale regionale stabile con anomalie locali dipendenti dallo spazio, utilizzando modelli indipendenti adattati localmente e trasformazioni come il gate dell'estremità superiore. La validazione retrospettiva conferma che l'integrazione di informazioni locali complementari aumenta significativamente i coefficienti kappa rispetto alla fusione standard.
- I superpixel copula forniscono evidenze regionali stabili, ma una singola etichetta per regione limita la localizzazione all'interno dei superpixel misti.
- Il metodo introduce anomalie di dipendenza locale variabili spazialmente che caratterizzano le deviazioni dalle relazioni incrociate non cambiate tra immagini.
- La validazione su dataset Lake e UK dimostra guadagni significativi nei coefficienti kappa, specialmente per decisioni in regioni miste e ai confini.
- L'analisi rivela benefici dipendenti dalla scena riguardo alla calibrazione e al gating, con configurazioni ottimizzate a livello di immagine intera che superano i metodi tradizionali.
Perché conta. Sebbene il dominio sia specifico per le immagini satellitari, l'architettura concettuale di separare evidenze regionali globali da anomalie locali variabili è rilevante per lo sviluppo di agenti AI e sistemi di fusione dati che operano su input eterogenei. Questo approccio illustra come gestire incertezze spaziali senza sacrificare la coerenza strutturale, una sfida comune nell'inferenza locale o nel fine-tuning di modelli specializzati.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.