Resumen

La cartografía del uso y la ocupación del suelo en zonas urbanas es una de las principales aplicaciones de la teledetección y desempeña un papel importante en la planificación y la gestión urbanas modernas. El aprendizaje profundo está surgiendo recientemente en el campo del aprendizaje automático. Al imitar la estructura jerárquica del cerebro humano, el aprendizaje profundo puede extraer gradualmente características de un nivel inferior a un nivel superior. El modelo de redes profundas de creencias (DBN) es una arquitectura de aprendizaje profundo ampliamente investigada e implantada. Combina las ventajas del aprendizaje no supervisado y supervisado y puede archivar un buen rendimiento de clasificación. Este estudio propone un enfoque de clasificación basado en el modelo DBN para la cartografía urbana detallada utilizando datos de radar de apertura sintética polarimétrica (PolSAR). Mediante el modelo DBN, se pueden extraer automáticamente de los datos PolSAR características cartográficas contextuales eficaces para mejorar el rendimiento de la clasificación. Para la evaluación se utilizaron datos PolSAR RADARSAT-2 de alta resolución de dos fechas sobre el área del Gran Toronto. Se realizaron comparaciones con la máquina de vectores soporte (SVM), las redes neuronales convencionales (NN) y la maximización de expectativas estocásticas (SEM) para evaluar el potencial del enfoque de clasificación basado en DBN. Los resultados experimentales muestran que el método basado en DBN supera a los otros tres enfoques y produce resultados de mapeo homogéneos con detalles de forma preservados.

• Materias:Redes de sensores Sensores inalámbricos Sistema de sensores Sensor inteligente Sensores electroquímicos
• Subjects:Sensor networks Wireless sensors Sensor system Intelligent sensor Electrochemical sensors
• Palabras claves:dbn, modelo dbn, enfoque de clasificación, características cartográficas contextuales eficaces, radar de apertura sintética polarimétrico, redes de creencia profunda, área de gran toronto, redes neuronales convencionales, cartografía urbana detallada, buen rendimiento de clasificación
• Keywords:dbn, dbn model, classification approach, effective contextual mapping features, polarimetric synthetic aperture radar, deep belief networks, great toronto area, conventional neural networks, detailed urban mapping, good classification performance