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.)

On the ensemble of multiscale object-based classifiers for aerial images: a comparative study

Texto completo
Autor(es):
Esmael, Agnaldo Aparecido [1] ; dos Santos, Jefersson Alex [2] ; Torres, Ricardo da Silva [1]
Número total de Autores: 3
Afiliação do(s) autor(es):
[1] Univ Estadual Campinas, Inst Comp, Av Albert Einstein 1251, BR-13083852 Campinas, SP - Brazil
[2] Univ Fed Minas Gerais, Dept Comp Sci, Av Antonio Carlos 6627 Predio ICEx, BR-31270010 Pampulha Belo Horizonte, MG - Brazil
Número total de Afiliações: 2
Tipo de documento: Artigo Científico
Fonte: MULTIMEDIA TOOLS AND APPLICATIONS; v. 77, n. 19, p. 24565-24592, OCT 2018.
Citações Web of Science: 0
Resumo

Remote sensing images (RSIs) are increasingly used as data source to produce maps used in several applications. Modern sensors launched into space from the end of the 1990s have been producing high spatial resolution RSIs. The use of classification methods based on regions, called as Geographic Object-Based Image Analysis (GEOBIA), has been demonstrated to be more appropriate to deal with this kind of image. However, finding the appropriate segmentation scale, which is not a trivial task, is crucial for the success of a GEOBIA method. In this paper, we perform a comparative study involving seven methods for RSI multiclass classification that combine different features extracted from different scales: M1-OvA, M2-OvO, M3-AdaMH, M4-Samme, M5-MV, M5-WMV, and M6-Cascade. The first four methods are boosting-based techniques and the last three are based on the majority vote approach. The effectiveness of the proposed methods was evaluated by analyzing the results of experiments conducted in three RSIs datasets. The methods were compared with the baseline SVM with Kernel RBF by measuring the overall accuracy, the Kappa Index, and the accuracy per class. The results show that all the proposed methods are effective for RSI classification. (AU)

Processo FAPESP: 14/50715-9 - Characterizing and predicting biomass production in sugarcane and eucalyptus plantations in Brazil
Beneficiário:Rubens Augusto Camargo Lamparelli
Linha de fomento: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
Processo FAPESP: 16/50250-1 - O segredo de jogar futebol: Brasil versus Holanda
Beneficiário:Ricardo da Silva Torres
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 13/50169-1 - Towards an understanding of tipping points within tropical South American biomes
Beneficiário:Ricardo da Silva Torres
Linha de fomento: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
Beneficiário:Alexandre Xavier Falcão
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 17/20945-0 - EMU concedido no processo 16/50250-1: local positioning system
Beneficiário:Ricardo da Silva Torres
Linha de fomento: Auxílio à Pesquisa - Programa Equipamentos Multiusuários
Processo FAPESP: 13/50155-0 - Combining new technologies to monitor phenology from leaves to ecosystems
Beneficiário:Leonor Patricia Cerdeira Morellato
Linha de fomento: Auxílio à Pesquisa - Programa de Pesquisa sobre Mudanças Climáticas Globais - PITE
Processo FAPESP: 15/24494-8 - Comunicação e processamento de big data em nuvens e névoas computacionais
Beneficiário:Nelson Luis Saldanha da Fonseca
Linha de fomento: Auxílio à Pesquisa - Temático