详细内容或原文请订阅后点击阅览
使用机器学习、自动训练数据和红带纹理层的索引集合自动提取建成基础设施土地覆盖
摘要：自动对建成基础设施进行分类是全球规划的需要。然而，单个指标存在弱点，包括与裸地光谱混淆，并且深度学习的计算要求很高。我们提出了一种计算量轻量的方法来对建成基础设施进行分类。我们使用一组光谱指标和一个新颖的红波段纹理层，其全局阈值由 12 个不同站点（每个站点两个季节性变化的图像）确定。使用 Sentinel-2 影像评估了多个光谱指标。我们的纹理指标使用红波段将建成基础设施与光谱相似的裸地分开。我们的评估通过评估 24 张图像中一系列特定于站点的最佳指标阈值的地面真实点来产生全局阈值。这些用于对集合进行分类，然后使用光谱指标、纹理和分层随机抽样指导训练数据选择。训练数据适合随机森林分类器以创建最终的二进制图。验证发现，平均总体准确率为 79.95% (±4%)，F1 得分为 0.5304 (±0.07)。纹理指标的加入将总体准确率提高了 14–21%。提供了与特定站点阈值和深度学习派生层的比较。这种自动化的建成基础设施制图框架只需要公共图像即可支持时间敏感的土地管理工作流程。
来源:美国陆军工程兵团阿富汗地区访问被拒绝
参考 #18.ad810e17.1729918467.10e337df
https://errors.edgesuite.net/18.ad810e17.1729918467.10e337df