Iniziare con la questione operativa
La valutazione della classificazione del droni dovrebbe riflettere dove verrà utilizzata la mappa. I pixel vicini e le piastrelle di immagine sovrapposte condividono texture, illuminazione e oggetti. La divisione casuale di quei pixel tra formazione e test può rendere le prestazioni più forti rispetto alle prestazioni in un nuovo campo, blocco o data di indagine.
La domanda di lavoro è: un classificatore può riconoscere nuove posizioni piuttosto che memorizzare le texture delle immagini nelle vicinanze? Definire i blocchi di valutazione della classificazione prima dell'indagine inizia e identificare chi li esaminerà. D'accordo su quali prove cambierebbe una decisione di ispezione, campionamento o gestione. Questo mantiene la mappa legata ad un compito testable e consente di distinguere un'osservazione utile da un'output attraente che non può risolvere la domanda.
Capire cosa l'immagine osserva realmente
Una corona di albero divisa tra formazione e test perde informazioni specifiche per oggetti. Le copie aumentate di un'immagine possono causare perdite simili. Un punteggio elevato da quella divisione non è necessariamente la prova di generalizzazione ad un altro sito.
Per i blocchi di valutazione della classificazione, la definizione di misura fa parte del risultato. Mantenere esplicito il supporto di misura: un pixel, un oggetto segmentato, un diagramma di campionamento e un blocco di gestione rappresentano diverse aree e fonti di variazione. Il cambiamento delle dimensioni dei pixel non crea informazioni indipendenti o migliora l'osservazione del sensore sottostante. Decidi se l'attività riguarda la localizzazione di obiettivi, la stima dell'area, il confronto delle osservazioni numeriche o la previsione di una proprietà di campo. Ciascuno richiede un denominatore di valutazione diverso. Conservare etichette incerte e regioni non osservabili, quindi una classificazione dall'aspetto completo non può nascondere le prove mancanti. La domanda di qualità finale dovrebbe riferirsi al compito reale, geografia e condizioni testate.
Cattura di design intorno al bersaglio e i suoi confondatori
La pianificazione della capacità per i blocchi di valutazione della classificazione dovrebbe iniziare con il confronto previsto. Progettare insieme la collezione di osservazione e riferimento. Elenca il bersaglio, la risposta del sensore che potrebbe distinguerlo, le superfici di confondamento previste e la scala a cui viene presa una decisione. Catturare le condizioni facili e difficili, piuttosto che solo una dimostrazione visivamente pulita. Mantenere tempo di acquisizione, informazioni della fotocamera, record di calibrazione e contesto ambientale rilevante. Se sono coinvolte più bande o date, pianificare un modo per valutare il loro allineamento e la loro comparabilità. Un piccolo pilota dovrebbe rivelare se la funzione proposta è effettivamente osservabile prima che un'analisi automatizzata più grande sia trattata come una misura affidabile.
Costruire un flusso di lavoro tracciabile di elaborazione e analisi
Definire unità spaziali indipendenti prima di selezionare i dati di formazione. Tenere fuori blocchi completi, oggetti o date che corrispondono all'applicazione prevista. Tenere le regole dell'etichetta coerente e prevenire la sovrapposizione tra le unità di tenuta e piastrelle di formazione. Esaminare gli errori della classe di copertura terrestre e per condizione di acquisizione invece di presentare un solo numero complessivo.
La revisione della qualità per i blocchi di valutazione della classificazione deve continuare dopo la lavorazione completa. Conservare gli input numerici grezzi o originali accanto ai prodotti di visualizzazione. Verifica formule, identità di banda, maschere, riferimenti di coordinate e scelte di risampling. Verificare le posizioni di sorgente-output rappresentative e verificare se cuciture, pixel di bordo o superfici miste dominano la caratteristica di interesse. Registrare le versioni preprocessing e modello in modo da poter riprodurre un aggiornamento. Utilizzare unità di valutazione indipendenti che riflettono la distribuzione, non solo i pixel casuali. Confrontare una funzione sofisticata proposta con una linea di base più semplice; la complessità aggiuntiva è giustificata solo quando migliora la misura o la decisione specificate in una valutazione equa.
Lavorare attraverso un esempio illustrativo
Un set di dati illustrativo contiene 100 piastrelle adiacenti da cinque campi. Una divisione casuale di piastrelle può mettere ogni campo in entrambi i sottoset. Tenere fuori un campo completo invece chiede la domanda più rilevante se le regole apprese trasferiscono in un campo invisibile.
Questo esempio per i blocchi di valutazione della classificazione è deliberatamente illustrativo, non un risultato segnalato o una promessa di accuratezza. Sostituire le sue ipotesi con i valori misurati del progetto prima di utilizzare il ragionamento in modo operativo. Tenere visibile l' numeratore, il denominatore, la data di osservazione e le esclusioni. Se un limite plausibile, la visibilità o il cambiamento di riferimento altera la decisione, raccogliere le prove mancanti o mantenere il caso come non risolto piuttosto che segnalare luoghi decimali extra.
Valida con prove di campo indipendenti
Raccogliere etichette di riferimento indipendenti in aree detenute, documentare l'incertezza dell'osservatore e esaminare separatamente i confini ambigui. Se il modello viene sintonizzato ripetutamente sulla stessa tenuta, stabilire un nuovo insieme di valutazione finale.
Una valutazione dei blocchi di valutazione della classificazione dovrebbe includere sia gli obiettivi contrassegnati che le posizioni di riferimento non infiammate adatte. Controllare solo i candidati più evidenti non può stimare né gli obiettivi mancati né il modello completo di falsa arma. Osservazioni separate utilizzate per regolare il metodo da quelle utilizzate per valutarlo. Tenere l'unità di campionamento e metodo di selezione esplicito, e segnalare casi difficili o non osservabili piuttosto che lasciarli silenziosamente. Quando il temporizzazione del campo differisce dal tempismo dell'immagine, spiega se il sito potrebbe essere cambiato tra le visite. Un disaccordo è la prova per indagare, non un'istruzione per costringere il record di terra a corrispondere alla mappa.
Risolvere i rischi di interpretazione specifici per l'argomento
I blocchi di valutazione spaziale dovrebbero riflettere la distanza e le condizioni di distribuzione attesi. Tenere fuori una piccola striscia vicina può ancora condividere il terreno, l'illuminazione e la gestione con le aree di formazione, mentre un nuovo sito può differire sostanzialmente. Documentare la geometria divisa in modo che i recensori possano valutare quella corrispondenza. Tenere ripetute cattura dello stesso oggetto insieme quando la perdita di oggetti-specifica è una preoccupazione. Se un modello non riesce a tenere fuori il blocco, esamina la classe e la condizione causando il fallimento piuttosto che allontanarlo con blocchi più facili. Tale analisi aiuta a definire un dominio di applicazione defensibile.
Consegnare le prove che il team ricevente può usare
Pubblica la geografia di valutazione e gli errori di livello di classe con la mappa. Descrivi l'area e le condizioni rappresentate dal test piuttosto che rivendicare l'accuratezza universale da una singola divisione favorevole.
Per la valutazione della classificazione, mantengono gli identificatori stabili, la data di osservazione della fonte, il riferimento delle coordinate, il confine di analisi e lo stato di valida osservazione. Fornire sia una panoramica accessibile che i dati geospaziali rilevanti, dove necessario. Attaccare un registro di eccezione breve che spiega le caratteristiche non risolte e il successivo controllo utile. Se i dati vengono rivisti, conservare la ragione e la versione in modo da poter tracciare quantità o stati. Chiedi al team ricevente di individuare un oggetto campione e interpretarne la fiducia; quella recensione pratica spesso rivela il contesto mancante che un controllo di integrity file non può rilevare.
Quando si valuta il software di mappatura Drone per i blocchi di valutazione della classificazione, valutare il flusso di lavoro completo con un set di dati rappresentativi. DroneCollab può essere considerato per la preparazione di uscite di mappatura fotogrammetrica, mentre l'interpretazione specifica delle attività e la validazione del campo rimangono essenziali. Confronta le esportazioni richieste, il processo di revisione e le prove pilota effettive prima di selezionare un flusso di lavoro per il lavoro ricorrente.
