Resumen

En este artículo se describe un método de detección de edificios basado en el aprendizaje profundo (DL) que utiliza la fusión de datos LiDAR (Light Detection and Ranging) y ortofotos. El método propuesto utilizó un análisis basado en objetos para crear objetos, una fusión a nivel de características, una reducción de dimensionalidad basada en autoencoder para transformar las características de bajo nivel en características comprimidas y una red neuronal convolucional (CNN) para transformar las características comprimidas en características de alto nivel, que se utilizaron para clasificar los objetos en edificios y fondo. La arquitectura propuesta se optimizó para el método de búsqueda en cuadrícula, y se analizó y discutió su sensibilidad a los hiperparámetros. El modelo propuesto se evaluó en dos conjuntos de datos seleccionados de una zona urbana con diferentes tipos de edificios. Los resultados muestran que la reducción de la dimensionalidad mediante el enfoque del autocodificador de 21 características a 10 características puede mejorar la precisión de la detección del 86,06% al 86,19% en el área de trabajo y del 77,92% al 78,26% en el área de pruebas. El análisis de sensibilidad también muestra que la selección de los valores de los hiperparámetros del modelo afecta significativamente a la precisión de la detección. Los mejores hiperparámetros del modelo son 128 filtros en el modelo CNN, el optimizador Adamax, 10 unidades en la capa totalmente conectada del modelo CNN, un tamaño de lote de 8, y un dropout de 0,2. Estos hiperparámetros son fundamentales para mejorar la capacidad de generalización del modelo. Además, los experimentos de comparación con la máquina de vectores soporte (SVM) muestran que el modelo propuesto con o sin reducción de dimensionalidad supera a los modelos SVM en el área de trabajo. Sin embargo, el modelo SVM logra una mayor precisión en el área de pruebas que el modelo propuesto sin reducción de la dimensionalidad. En general, este estudio muestra que el uso de un autoencoder en modelos DL puede mejorar la precisión del reconocimiento de edificios en datos LiDAR-ortofoto fusionados.

• 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:modelo, reducción de la dimensionalidad, modelo cnn, características comprimidas, precisión de detección, características de nivel, área de pruebas, enfoque de detección de edificios, red neuronal convolucional, diferentes tipos de edificios
• Keywords:model, dimensionality reduction, cnn model, compressed features, detection accuracy, level features, testing area, building detection approach, convolutional neural network, different building types