Por favor, use este identificador para citar o enlazar este ítem:
https://dspace.ucuenca.edu.ec/handle/123456789/35830
| Título : | Land cover classification of high resolution images from an ecuadorian andean zone using deep convolutional neural networks and transfer learning |
| Autor: | Gonzalez Toral, Hernan Santiago
Saquicela Galarza, Victor Hugo
Lupercio Novillo, Rosa Lucia |
| Correspondencia: | Gonzalez Toral, Hernan Santiago, hernan.gonzalezt@ucuenca.edu.ec |
| Palabras clave : | Remote sensing
Transfer learning
Data augmentation |
| Área de conocimiento FRASCATI amplio: | 2. Ingeniería y Tecnología |
| Área de conocimiento FRASCATI detallado: | 2.11.2 Otras Ingenierias y Tecnologías |
| Área de conocimiento FRASCATI específico: | 2.11 Otras Ingenierias y Tecnologías |
| Área de conocimiento UNESCO amplio: | 06 - Información y Comunicación (TIC) |
| ÁArea de conocimiento UNESCO detallado: | 0613 - Software y Desarrollo y Análisis de Aplicativos |
| Área de conocimiento UNESCO específico: | 061 - Información y Comunicación (TIC) |
| Fecha de publicación : | 2020 |
| Volumen: | Volumen 41, número 4 |
| Fuente: | Revista de Investigacion Operacional |
| Tipo: | ARTÍCULO |
| Abstract: | Different deep learning models have recently emerged as a popular method to apply machine learning in a variety of domains including remote sensing, where several approaches for the classification of land cover and use have been proposed. However, acquiring a suitably large data set with labelled samples for training such models is often a significant challenge to tackle, that leads to suboptimal models not being able to generalize well over different types of land cover. In this paper, we present an approach to perform land cover classification on a small dataset of high-resolution imagery from an area in the Andes of Ecuador using deep convolutional neural networks and techniques such as transfer learning, data augmentation, and some finetuning considerations. Results demonstrated that this method can achieve good classification accuracies if it is backed with good strategies to increase the number of samples in an imbalanced dataset. |
| Resumen : | Recientemente, han surgido modelos de aprendizaje profundo o Deep Learning como un método popular para aplicar modelos de aprendizaje automático en una variedad de dominios, como en la percepción remota en donde se han propuesto diferentes enfoques para la clasificación de cobertura y uso del suelo. Sin embargo, la disponibilidad de conjuntos de datos suficientemente grande con muestras etiquetadas, dificulta el entrenamiento de dichos modelos, esto conlleva a obtener modelos sub óptimos que no son capaces de generalizar correctamente los diferentes tipos de cobertura del suelo. Este escenario sucede a menudo por lo que es considerado como un desafío importante que debe abordarse. En este artículo, se presenta un enfoque para realizar clasificación de cobertura del suelo a partir de un pequeño conjunto de datos de imágenes de alta resolución espacial perteneciente a una área en los Andes de Ecuador, se utiliza redes neuronales convolucionales profundas y técnicas como: aprendizaje por transferencia, aumento de datos, entre otros ajustes a los parámetros del modelo. Los resultados demostraron que este método es capaz de alcanzar una buena precisión de clasificación si está respaldado por buenas estrategias para aumentar el número de muestras en un conjunto de datos desequilibrado. |
| URI : | https://rev-inv-ope.pantheonsorbonne.fr/sites/default/files/inline-files/41420-07.pdf |
| URI Fuente: | https://rev-inv-ope.pantheonsorbonne.fr/indice-vol-41-2020 |
| ISSN : | 0257-4306 |
| Aparece en las colecciones: | Artículos
|
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.
