相关实验视频
Updated: Jun 3, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
评估基于像素和基于对象的图像分类使用深度学习在地中海农业平原的效率
Murat Bayazit1, Cenk Dönmez2,3, Süha Berberoglu3
1Department of Remote Sensing and Geographical Information Systems, University of Cukurova, 01330, Adana, Turkey. mbayazit@student.cu.edu.tr.
Environmental monitoring and assessment
|January 10, 2025
概括
基于对象的分类略高于使用Deeplabv3深度学习方法对Sentinel-2卫星图像的基于像素的分类. 这项研究为提高卫星图像解释精度提供了宝贵的见解.
科学领域:
- 遥感 遥感 遥感 遥感
- 地理空间分析的研究.
- 深度学习应用程序
背景情况:
- 卫星技术的进步增加了数据的可用性,但高效的解释仍然至关重要.
- 深度学习方法对于图像分类是有效的,但取决于训练数据的质量.
- 对比基于像素和基于对象的分类对于优化卫星图像分析至关重要.
研究的目的:
- 为了比较基于像素和基于对象的分类对Sentinel-2卫星图像的效率.
- 在两种分类方法中评估Deeplabv3深度学习模型的性能.
- 评估图像增强技术对分类准确性的影响.
主要方法:
- 利用了 Sentinel-2 卫星图像,并增强了高通波器以提高清晰度.
- 使用从增强图像中提取的训练样本训练了Deeplabv3深度学习模型.
- 使用大多数区域统计方法实施基于对象的分类,并将其与基于像素的分类进行比较.
主要成果:
- 基于对象的分类达到83.5%的准确率 (kappa:0.791),略高于基于像素的分类,83.1% (kappa:0.786).
- 在这两种分类策略中,Deeplabv3模型都表现出了高效的性能.
- 图像增强对数据可视化和深度学习的准备做出了积极的贡献.
结论:
- 基于对象的分类,当与Deeplabv3等深度学习分类器集成时,在Sentinel-2图像分析中显示出高效的性能.
- 这些发现为未来的研究提供了宝贵的参考,旨在提高卫星图像解释的准确性和效率.
- 这项研究有助于完善用于环境应用的卫星图像解释技术.
