Resumen

Este artículo aborda el problema de la clasificación de imágenes de teledetección de muy alta resolución (VHR) a gran escala en un escenario semisupervisado, en el que disponemos de un conjunto de entrenamiento limitado (menos de diez muestras de entrenamiento por clase). Los métodos típicos de clasificación basados en píxeles son inviables para imágenes VHR a gran escala. Por lo tanto, como solución práctica y eficaz, proponemos subdividir la imagen grande en una cuadrícula de mosaicos y, a continuación, clasificar los mosaicos en lugar de clasificar los píxeles. Nuestro método propuesto utiliza la potencia de una red neuronal convolucional (CNN) preentrenada para extraer primero características descriptivas de cada mosaico. A continuación, se entrena un clasificador de red neuronal (compuesto por 2 capas totalmente conectadas) de forma semisupervisada y se utiliza para clasificar todos los azulejos restantes de la imagen. De este modo se obtiene una clasificación aproximada de la imagen, suficiente para muchas aplicaciones de RS. La segunda contribución trata del empleo del aprendizaje semisupervisado para mejorar la precisión de la clasificación. Presentamos un nuevo enfoque semisupervisado que explota tanto las relaciones espectrales como espaciales incrustadas en los mosaicos sin etiquetar restantes. En concreto, incrustamos un grafo espectral laplaciano en la capa oculta de la red neuronal. Además, aplicamos una regularización de las etiquetas de salida utilizando un grafo laplaciano espacial y el algoritmo de Walker aleatorio. Los resultados experimentales obtenidos probando el método en dos imágenes a gran escala adquiridas por el sensor IKONOS2 revelan capacidades prometedoras de este método en términos de precisión de clasificación incluso con menos de diez muestras de entrenamiento por clase.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:método, baldosas, precisión de clasificación, muestras de entrenamiento, red neuronal convolucional, conjunto de entrenamiento limitado, aplicación de muchas rs, clasificador de red neuronal, novedoso enfoque semisupervisado, algoritmo random walker
• Keywords:method, tiles, classification accuracy, training samples, convolutional neural network, limited training set, many rs application, neural network classifier, novel semisupervised approach, random walker algorithm