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

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]

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

• Tipo de documento: Artigo Científico
• Fonte: INFORMATION SCIENCES; v. 324, p. 60-87, DEC 10 2015.
• Citações Web of Science: 12

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: 13/20387-7 - Otimização de hiperparâmetros em arquiteturas de aprendizado em profundidade
• Beneficiário: João Paulo Papa
• Linha de fomento: Bolsas no Exterior - Pesquisa
• 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: 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: 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