Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Improving land cover classification through contextual-based optimum-path forest

Texto completo
Autor(es):
Osaku, D. [1] ; Nakamura, R. Y. M. [2] ; Pereira, L. A. M. [3] ; Pisani, R. J. [4] ; Levada, A. L. M. ; Cappabianco, F. A. M. [5, 1] ; Falco, A. X. [3] ; Papa, Joao P. [6]
Número total de Autores: 8
Afiliação do(s) autor(es):
[1] UFSCar Univ Fed Sao Carlos, Dept Comp, Sao Carlos, SP - Brazil
[2] Big Data Brasil, Sao Paulo - Brazil
[3] Univ Estadual Campinas, Inst Comp, Campinas, SP - Brazil
[4] Western Univ Sao Paulo, Presidente Prudente, SP - Brazil
[5] Univ Fed Sao Paulo, Sao Jose Dos Campos - Brazil
[6] Sao Paulo State Univ, Dept Comp, Bauru - Brazil
Número total de Afiliações: 6
Tipo de documento: Artigo Científico
Fonte: INFORMATION SCIENCES; v. 324, p. 60-87, DEC 10 2015.
Citações Web of Science: 13
Resumo

Traditional machine learning algorithms very often assume statistically independent data samples. However, this is clearly not the case in remote sensing image applications, in which pixels present spatial and/or temporal dependencies. In this work, it has been presented an approach to improve land cover image classification using a contextual approach based on optimum-path forest (OPF) and the well-known Markov random fields (MRFs), hereinafter called OPF-MRF. In addition, it is also introduced a framework to the optimization of the amount of contextual information used by OPF-MRF. Experiments over high- and medium-resolution satellite (CBERS-2B, Landsat 5 TM, lkonos-2 MS and Geoeye) and radar (ALOS-PALSAR) images covering the area of two Brazilian cities have shown the proposed approach can overcome several shortcomings related to standard OPF classification. In some cases, the proposed approach outperformed traditional OFF in about 9% of recognition rate, which is crucial for land cover classification. (C) 2015 Elsevier Inc. All rights reserved. (AU)

Processo FAPESP: 14/16250-9 - Sobre a otimização de parâmetros em técnicas de aprendizado de máquina: avanços e paradigmas
Beneficiário:João Paulo Papa
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 12/06472-9 - Explorando abordagens de classificação contextual para Floresta de Caminhos Ótimos
Beneficiário:Daniel Osaku
Linha de fomento: Bolsas no Brasil - Doutorado
Processo FAPESP: 09/16206-1 - Novas tendências em reconhecimento de padrões baseado em floresta de caminhos ótimos
Beneficiário:João Paulo Papa
Linha de fomento: Auxílio à Pesquisa - Apoio a Jovens Pesquisadores
Processo FAPESP: 13/20387-7 - Otimização de hiperparâmetros em arquiteturas de aprendizado em profundidade
Beneficiário:João Paulo Papa
Linha de fomento: Bolsas no Exterior - Pesquisa