优化卫星图像数据集,以改善陆地/水域细分.
Marco Scarpetta1, Luisa De Palma1, Attilio Di Nisio1
1Department of Electrical and Information Engineering, Polytechnic University of Bari, Via E. Orabona 4, 70125 Bari, Italy.
本研究引入了一种自动化方法,使用规范差异水指数 (NDWI) 改进土地/水细分数据集. 使用这种技术优化数据集显著提高了远程传感应用的深度学习模型准确性.
科学领域:
- 遥感 遥感 遥感 遥感
- 地理空间分析是什么
- 机器学习 机器学习
背景情况:
- 准确的土地/水分区分对于环境监测至关重要.
- 深度学习模型需要高质量的注释数据集以获得最佳性能.
- 手动优化数据集是耗时且容易出现错误的.
研究的目的:
- 开发一种用于优化土地/水分区分数据集的自动化程序.
- 提高多光谱卫星图像注释的质量.
- 提高深度学习模型在遥感任务中的性能.
主要方法:
- 使用了具有可变值的规范差水指数 (NDWI).
- 开发了一个自动化系统来评估和排除低质量的图像注释.
- 应用该方法来优化公开可用的SWED和SNOWED数据集.
主要成果:
- 在优化数据集上训练的深度学习模型与基线数据集相比显示出更高的性能.
- 实现了高达10%的平均交叉与联合 (mIoU) 的增加.
- 尽管减少了数据集大小,但证明了细分精度的提高.
结论:
- 基于NDWI的自动化方法为数据集优化提供了一个可扩展的解决方案.
- 提高数据集质量可以显著提高远程传感中的深度学习模型性能.
- 这种方法对环境监测和其他地理空间应用具有前景.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
09:19Measuring the Structure, Composition, and Change of Underwater Environments with Large-area Imaging
Published on: April 18, 2025
相关概念视频
Manipulation and Analysis
Selected Data About Geographic Locations
Thematic Layering in GIS
Levels of Use of a GIS
Applications of GIS: Disaster Management and Emergency Response
