작업 문제로 시작
드론 분류 평가는 지도가 사용될지 반영해야 합니다. 이미지 타일 공유 질감, 조명 및 개체를 겹쳐서 찍는 내부 픽셀과 오버랩. 훈련과 테스트 사이의 그 픽셀을 무작위로 분할하면 새로운 필드, 블록 또는 설문 조사 날짜에 성능보다 더 강한 성능을 볼 수 있습니다.
작업 질문은: classifier가 가까운 이미지 질감보다 새로운 위치를 인식 할 수 있습니까? 설문 조사 전에 분류 평가 블록을 정의하고 누가 검토 할 수 있는지 확인합니다. 증거가 검사, 샘플링 또는 관리 결정에 변경 될 것임을 알 수 있습니다. 이지도를 테스트 가능한 작업에 연결하고 문제를 해결할 수 없는 매력적인 출력에서 유용한 관찰을 구별 할 수 있습니다.
이미지가 실제로 관찰하는 것을 이해하십시오.
훈련과 테스트 누출의 사이에 분할 된 나무 크라운은 객체 별 정보를 유출합니다. 한 이미지의 증강 사본은 유사한 누설을 일으킬 수 있습니다. 그 분할의 높은 점수는 반드시 다른 사이트에 일반화의 증거가 아닙니다.
분류 평가 구획을 위해, 측정 정의는 결과의 부분입니다. 측정 지원 명시: 픽셀, 세그먼트 객체, 샘플 플로트 및 관리 블록은 다른 영역과 변형 소스를 나타냅니다. 픽셀 크기를 변경하는 것은 독립적 인 정보를 만들거나 센서 관측을 개선하지 않습니다. 대상을 찾는 작업의 우려, 추정 지역, 수치 관측을 비교하거나 현장 속성을 예측하는 것을 결정합니다. 각은 다른 평가 denominator를 요구합니다. 불확실한 상표 및 비공개적인 지구를 보존하십시오 그래서 완전한 보기 분류는 누락된 증거를 숨길 수 없습니다. 최종 품질 요구는 실제 작업, 지리 및 조건을 테스트해야합니다.
대상과 그 융합자 주변의 디자인 캡처
분류 평가 블록에 대한 캡처 계획은 의도 한 비교로 시작해야합니다. 관찰 및 참조 컬렉션을 함께 설계하십시오. 대상을 나열하면, 결정이 이루어질 것으로 예상되는 표면과 스케일을 구분할 수 있는 센서 응답. 시각적으로 깨끗한 시연보다는 쉽고 어려운 조건을 캡처하십시오. 취득 시간, 카메라 정보, 교정 기록 및 관련 환경 상황 유지. 여러 밴드 또는 날짜가 참여하고, 정렬 및 비교를 평가하는 방법을 계획합니다. 작은 파일럿은 제안 된 기능이 실제로 더 큰 자동화 된 분석 이전에 관찰 할 수 있는지 여부를 알 수 있어야합니다.
추적 가능한 처리 및 분석 워크플로우 구축
교육 데이터를 선택하기 전에 독립적 인 공간 단위를 정의합니다. 완전한 블록을 잡아, 객체 또는 날짜는 의도 된 응용 프로그램 일치. 라벨 규칙을 지속적으로 유지하고 열린 아웃 단위와 훈련 타일 사이에 오버랩 방지. 토지 표지 클래스에 의해 오류를 검토하고 대신 하나의 전체 번호를 제시하는 인수 조건.
분류 평가 구획을 위한 질 검토는 가공 완료 후에 계속되어야 합니다. 전시 제품 주변의 원시 또는 원시 입력을 보존합니다. 수식, 밴드 식별, 마스크, 좌표 참조 및 샘플링 선택 검증. 대표 소스 출력 위치를 검토하고 솔기, 가장자리 화소 또는 혼합 표면이 관심의 기능을 지배 여부를 검사합니다. 사전 처리 및 모델 버전에 기록하므로 업데이트가 재제작 될 수 있습니다. 배포를 반영하는 독립적 인 평가 단위를 사용하여, 단순한 편리한 임의의의 픽셀. 간단한 기본으로 제안된 정교한 기능을 비교하십시오; 추가 복잡성은 공정한 평가의 밑에 지정된 측정 또는 결정을 개량할 때만만만 통일됩니다.
일하는 일
그림 같은 데이터 세트에는 5 개의 필드에서 100 개의 인접한 타일이 포함되어 있습니다. 무작위 타일 분할은 모든 필드를 두 개의 하위 세트로 배치 할 수 있습니다. 의 모든 것을 읽으려면, 의문을 읽으십시오.
분류 평가 블록의이 예는 deliberately illustrative, 보고되지 않은 outcome 또는 정확도 약속입니다. 프로젝트의 측정값을 사용하여 작업의 소각을 변경합니다. 수화기, 탈광기, 관측일 및 노출을 볼 수 있습니다. 백악관 경계, 가시 또는 참조 변경이 결정을 변경하면 누락된 증거를 수집하거나 추가 소수점을 보고하지 않고 해결되지 않는 경우를 유지합니다.
독립적 인 필드 증거로 검증
자주 묻는 질문(FAQ) 모델이 동시에 조정되면, 신선한 최종 평가 세트를 설정합니다.
분류 평가 블록의 평가는 두 개의 덩어리 대상과 적절한 unflagged 참조 위치를 포함해야합니다. 가장 명백한 후보자만 확인하면 놓은 대상이나 전체 false-alarm 패턴을 예측할 수 있습니다. 평가하는 데 사용되는 사람들로부터 방법을 조정하는 데 사용되는 별도의 관측. 뱀파이어를 떼어낸다. 그리고, 뱀파이트를 떼지 않고도 뱀파이브를 떼고, 뱀팁을 떼어내고, 굵은 소리를 떼는 것. 현장 타이밍은 이미지 타이밍과 다를 때, 사이트가 방문 사이에 변경 될 수 있는지 설명합니다. 불명은 조사에 대한 증거이며, 지도와 일치하기 위해 지상 기록을 강제하지 않습니다.
주제별 해석 위험 해결
Spatial 평가 블록은 예상된 배포 거리와 상태를 반영해야 합니다. 작은 이웃 스트립을 잡고 여전히 토양, 조명 및 관리 훈련 영역을 공유 할 수 있습니다, 새로운 사이트는 실질적으로 다를 수 있습니다. 분할 형상을 문서화하여 검토자는 해당 일치를 평가할 수 있습니다. object-specific leak가 우려할 때 같은 객체의 캡처를 계속 유지하십시오. 모델이 열린 블록에 실패하면 클래스와 상태를 검사하여 고장을 더 쉽게 차단하고 더 쉽게 차단할 수 있습니다. 이 분석은 취약한 응용 도메인을 정의하는 데 도움이됩니다.
팀의 수신을 사용할 수 있는지 증거에 손을
지도로 평가 지리 및 클래스 수준의 오류를 게시합니다. 단일 호의적 인 분할에서 보편적 인 정확도를 주장하는 것보다 테스트에 의해 표현 된 영역 및 조건을 설명합니다.
분류 평가 블록을 위해, 안정적인 식별자를 유지, 소스 관측 날짜, 좌표 참조, 분석 경계 및 유효한 보존 상태. 접근 가능한 개요와 필요한 geospatial 데이터를 모두 공급합니다. 해결되지 않은 기능과 다음 유용한 체크를 설명하는 짧은 예외 등록을 첨부합니다. 데이터가 개정되면, 이유 및 버전을 보존하거나 양 또는 상태는 추적 할 수 있습니다. 샘플 아이템을 찾아 자신감의 해석하기 위해 수신 팀을 요청하십시오. 실제 리뷰는 종종 파일 통합 검사가 감지 할 수없는 오류가 발생했습니다.
분류 평가 블록을 위한 Drone Mapping Software를 평가할 때, 대표 데이터셋과 함께 전체 워크플로우를 평가합니다. DroneCollab는 photogrammetric mapping output을 준비하기 위해 고려 될 수 있으며 작업별 해석 및 현장 검증은 필수입니다. 필요한 수출, 검토 프로세스 및 실제 파일럿 증거를 비교하여 작업 흐름을 선택하기 전에.
집중된 추가 방법 체크
고급기에 맞게 제안 된 교육 및 평가 블록을 그리고 물리적 분리를 검사합니다. 이웃 이미지 칩이 같은 식물, 지붕 또는 취득 artifacts를 파일 식별자가 다르지 않도록 확인하십시오. 의 경우, 의 경우 의 은 의 는 의 를 의 의 을 의 으로 의 . 모델 설정 변경이 되면, 같은 지역에서 새로운 호의적인 샘플을 선택하기 보다는 비교합니다. 이 평가는 인근 이미지 질감의 저해 대신 지리적으로 전송에 중점을 둡니다.
