DEEP LEARNING METHODOLOGY ADAPTATION FOR HYPERSPECTRAL IMAGERY CLASSIFICATION

Автор(и)

  • I. A. Piestova Scientific Centre for Aerospace Research of the Earth, Kyiv, Ukraine
  • A. A. Andreiev Faculty of applied mathematics NTUU "KPI", Ukraine

Анотація

Адаптація методології глибинного навчання під
задачу класифікації гіперспектральних зображень

 Поряд з розвитком технологій і поліпшення просторової розрізненності гіперспектральних зображень, інформація вимагає більш глибокого аналізу в зв’язку зі збільшенням кількості спостережуваних цілей. Для повного розуміння сцени тепер є обов’язковими кілька рівнів аналізу зображень. Процес глибинного навчання визначає подання та організацію декількох рівнів обробки для визначення складних відносини між гіперспектральними даними. Приведена загальна схема процесу класифікації гіперспектральних зображень з використання методології глибинного навчання. Після попередньої обробки вхідні гіперспектральні дані класифікуються в два незалежні потоки: за спектральними та за просторовими ознаками з подальшим злиттям одержаних карт ймовірностей для отримання остаточної класифікації об’єктів зображення.

Посилання

Vaduva C. Deep learning in very high resolution remote sensing image information mining communication concept / C. Vaduva, I. Gavat, M. Datcu, // Proceedings of the 20th European Signal Processing Conference (EUSIPCO).– Bucharest: University Politehnica, 2012.– P.2506-2510.

Попов М.А. Методы оптимизации числа спектральных каналов в задачах обработки и анализа данных дистанционного зондирования Земли / М.А. Попов, С.А. Станкевич // Современные проблемы дистанционного зондирования Земли из космоса.– Вып.3.– Т.1.– М.: ИКИ РАН, 2006.– C.106-112.

Станкевич С.А. Кількісне оцінювання інформативності гіперспектральних аерокосмічних знімків при вирішенні тематичних задач дистанційного зондування Землі / С.А. Станкевич // Доповіді НАН України, 2006.– № 8.– С.53-58.

Станкевич С.А. Оптимизация состава спектральных каналов гиперспектральных аэрокосмических изображений при решении тематических задач дистанционного зондирования Земли / С.А. Станкевич // Космічна наука і технологія, 2007.– Т.13.– № 2.– С.25-28.

Станкевич С.А. Картування сільськогосподарських угідь на багатоспектральних аерокосмічних зображеннях за допомогою спеціальних просторових перетворень / С.А. Станкевич, А.В. Васько // Тези доповідей II міжнародної науково-практичної конференції “Математичні моделі і методи оптимізації інновацій та інформаційно-телекомунікаціно-моніторингові технології в задачах підвищення ефективності соціоекологоекономічних систем”.– Київ: Інститут економіки та менеджменту НАУ, 2010.– С.72-75.

Марков С.Ю. Избыточное преобразование Хо / С.Ю. Марков // Информационные технологии в дешифрировании изображений: методология, модели, алгоритмы.– Киев: МО Украины, 1993.– С.22-28.

Станкевич С.А. Комплексна обробка багатоспектральних аерокосмічних зображень для виявлення сільськогосподарських угідь / С.А. Станкевич, А.В. Васько // Сучасні досягнення геодезичної науки та виробництва.– Вип.2(22).– Львів: Львівська політехніка, 2011.– С.171-175.

Stankevich S.A. Multispectral satellite imagery classification using fuzzy decision tree / S.A. Stankevich, V.G. Levashenko, E.N. Zaitseva // Communications, 2014.– Vol.16.– No.1.–P.109-113.

##submission.downloads##

Опубліковано

2016-11-23

Як цитувати

Piestova, I. A., & Andreiev, A. A. (2016). DEEP LEARNING METHODOLOGY ADAPTATION FOR HYPERSPECTRAL IMAGERY CLASSIFICATION. Збірник матеріалів Міжнародної науково-технічної конференції «ПЕРСПЕКТИВИ ТЕЛЕКОМУНІКАЦІЙ». вилучено із http://conferenc.its.kpi.ua/proc/article/view/72277

Номер

2016: Матеріали X Міжнародної науково-технічної конференції "ПРОБЛЕМИ ТЕЛЕКОМУНІКАЦІЙ - 2016"

Розділ

Сенсорні мережі та прикладні аспекти застосування телекомунікаційних технологій

Ліцензія

Авторське право (c) 2016 I. A. Piestova, A. A. Andreiev

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Authors who submit to this conference agree to the following terms:
a) Authors retain copyright over their work, while allowing the conference to place this unpublished work under a Creative Commons Attribution License, which allows others to freely access, use, and share the work, with an acknowledgement of the work's authorship and its initial presentation at this conference.
b) Authors are able to waive the terms of the CC license and enter into separate, additional contractual arrangements for the non-exclusive distribution and subsequent publication of this work (e.g., publish a revised version in a journal, post it to an institutional repository or publish it in a book), with an acknowledgement of its initial presentation at this conference.
c) In addition, authors are encouraged to post and share their work online (e.g., in institutional repositories or on their website) at any point before and after the conference.