業務上の質問から始める
ドローンの分類評価は、マップが使用される場所を反映しるべきです。 ピクセルを重ね、イメージのタイルを重くすることは質、照明および目的を共有します。 トレーニングとテストの間にピクセルをランダムに分割することで、新しいフィールド、ブロック、または調査日付のパフォーマンスよりも性能が向上します。
作業質問は、近くの画像テクスチャを記憶するのではなく、分類器が新しい場所を認識できますか? 調査が始まる前に分類評価ブロックを定義し、誰がそれらを見直します。 証拠が検査、サンプリング、または管理決定を変更するかを同意します。 これにより、マップがテスト可能なタスクに縛られ、質問を解決できない魅力的な出力から有用な観察を区別することが可能となります。
実際に観察するイメージを理解する
トレーニングとテストのリーク間で分岐するツリークラウンは、オブジェクト固有の情報を削除します。 同一の画像のコピーを割ると、類似の漏れが発生します。 その分割からの高スコアは、必ずしも別のサイトへの一般化の証拠ではありません。
分類評価ブロックでは、測定の定義は結果の一部となります。 測定サポートの明示的:ピクセル、セグメント化されたオブジェクト、サンプルプロット、管理ブロックは異なる領域とバリエーションのソースを表します。 ピクセルサイズの変更は独立した情報を作成したり、基礎的なセンサーの観察を改善しません。 タスクがターゲットの位置、推定領域を懸念するか、数値の観察を比較するか、フィールドプロパティを予測するかを決定します。 それぞれは、異なる評価の除染器が必要です。 不確実なラベルと不適切な領域を保存するため、完全な参照分類は欠落しない証拠を隠すことはできません。 最終的な品質要求は、実際のタスク、地理および条件のテストを参照する必要があります。
ターゲットとその創設者を包括するデザインキャプチャ
分類評価ブロックの計画をキャプチャして、意図した比較から始めるべきです。 観察と参照コレクションを一緒に設計する。 ターゲット、それを区別できるセンサー応答、期待される複雑な表面と決定が行われるスケールをリストします。 視覚的にきれいなデモではなく、代表的な簡単かつ困難な条件をキャプチャします。 取得時間、カメラ情報、校正記録、環境関連状況を保持します。 複数のバンドや日付が関与する場合には、そのアライメントと比較性を評価する方法を計画します。 提案された機能が実際により大きい自動化された分析が信頼できる測定として扱われる前に観察可能であるかどうか小さいパイロットは明らかにするべきです。
トレーサブルな処理と解析ワークフローの構築
トレーニングデータを選択する前に独立した空間ユニットを定義します。 意図したアプリケーションに一致する完全なブロック、オブジェクト、日付を保持します。 ラベルルールを一貫して保持し、保持ユニットとトレーニングタイルの重複を防ぎます。 土地で覆われたクラスと取得条件でエラーをレビューする代わりに、全体的に1つの番号だけを提示します。
分類評価ブロックの品質審査は、処理完了後も継続して行わなければなりません。 ディスプレイ製品と一緒に生または元の数値入力を保存します。 式、バンドのアイデンティティ、マスク、調整の参照および再サンプリングの選択を検証して下さい。 代表的なソース・ツー・アウトプットの場所を確認し、継ぎ目、エッジピクセル、または混合された表面が関心の機能を支配するかどうかを調べます。 レコードのプリプロセッシングとモデルのバージョンを再現することで、更新を再現できます。 単なる便利なランダムピクセルではなく、展開を反映した独立した評価ユニットを使用してください。 提案された洗練された機能と、よりシンプルなベースラインを比較します。特定の測定値や決定を公平な評価で改善するときにのみ、追加の複雑性が正当化されます。
イラストの一例を通した作業
イラストデータセットには、100個の隣接するタイルが5つのフィールドに含まれています。 ランダムなタイル分割は、サブセットのフィールドごとに配置できます。 学習ルールが未公開のフィールドに転送するかどうかを、より関連性の高い質問を代わりに1つのフィールドを保持します。
分類評価ブロックのこの例は、報告された結果や精度の約束ではなく、意図的にイラスト化されています。 プロジェクトの測定値に、運用上の理由をつかまえて、その仮定を置き換えます。 数値子、分母器、観察日時、除外を可視します。 盗用可能な境界線、可視性または参照変更が決定を変更する場合、欠損証拠を収集するか、または余分小場所を報告するのではなく、未解決としてケースを保持します。
独立したフィールド証拠で検証
保持領域、文書のオブザーバーの不確実性で独立した参照ラベルを収集し、別のあいまいな境界を調べます。 同じホールドアウトでモデルを繰り返しチューニングすると、新しい最終評価セットが確立されます。
分類評価ブロックの評価には、フラグが付けられたターゲットと、適切な非強化参照場所の両方が含まれるはずです。 必見の候補だけをチェックすると、見逃されたターゲットやフル偽造パターンも推測できます。 使用する方法を調整するために使用される別の観察で評価します。 見本抽出ユニットと選択方法の明示的を保持し、それらを静かに低下させるよりもむしろ困難または不観察可能なケースを報告してください。 フィールドタイミングが画像のタイミングと異なる場合、サイトが訪問間で変更できるかどうかを説明します。 意見は、地図にマッチする地上記録を強制する指示ではなく、調査する証拠です。
トピック固有の解釈リスクを解決する
空間評価ブロックは、予想される配置距離と条件を反映している必要があります。 小さな隣接するストリップを握ることは、まだ土壌、照明、トレーニングエリアの管理を共有することができます。新しいサイトが大幅に異なる可能性があります。 分割したジオメトリを文書化し、レビュー担当者がそのマッチを評価することができます。 オブジェクト固有の漏洩が懸念されると、同じオブジェクトの繰り返しキャプチャを一緒に保持します。 モデルが保持ブロックに失敗した場合は、クラスと条件を調べて、より簡単にブロックで回避するのではなく、障害を引き起こします。 これにより、防御可能なアプリケーションドメインを定義できます。
受取チームが使用できる証拠を渡して下さい
地図で評価の地理とクラスレベルのエラーを発行します。 単一有利な分割から普遍的な正確さを要求するのではなく、テストによって表される区域および条件を説明して下さい。
分類評価ブロックのハンドオーバーでは、安定した識別子、ソースの観察日、座標参照、解析境界、および有効保存状態を保持します。 必要な場所にある、アクセス可能な概要と関連する地理空間データの両方を供給します。 未解決の機能と次の便利なチェックを説明する短い例外レジスタを添付します。 データの修正が行われる場合、その理由とバージョンを維持し、量やステータスを追跡することができます。 受取チームにサンプル項目を見つけて自信を解釈するように依頼してください。実用的なレビューは、ファイルインテグレーションチェックが検出できないという不在なコンテキストを明らかにすることが多いです。
ドローンマッピングソフトウェアを分類評価する際、代表的なデータセットで完全なワークフローを評価します。 DroneCollabは、タスク固有の解釈とフィールド検証が不可欠である一方で、フォトグラメトリクスマッピングの出力を準備するために考慮することができます。 必要なエクスポート、レビュープロセス、実際の試験証拠を比較して、作業を再帰するためのワークフローを選択。
