Resumen

La clasificación de imágenes multiespectrales ha sido durante mucho tiempo el dominio del aprendizaje estático con la suposición de datos de entrada no estacionarios. La prevalencia de la Revolución Industrial 4.0 ha llevado a la emergencia de realizar análisis en tiempo real (clasificación) en un escenario de aprendizaje en línea. Debido a las complejidades (espaciales, espectrales, fuentes de datos dinámicas e inconsistencias temporales) en el análisis de imágenes multiespectrales en línea y de series temporales, existe una alta probabilidad de ocurrencia en variaciones de bandas espectrales de una corriente de entrada, lo que deteriora el rendimiento de la clasificación (en términos de precisión) o las hace ineficaces. Para resaltar este problema crítico, en primer lugar, este estudio formula el problema de la llegada de nuevas bandas espectrales como un cambio de concepto virtual. En segundo lugar, se propone y evalúa un marco de trabajo de conjunto de redes neuronales convolucionales (CNN) adaptativas para una nueva adaptación de banda es

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Clasificación de imágenes multiespectrales; Revolución industrial 4.0; Escenario de aprendizaje en línea; Marco de conjunto de redes neuronales convolucionales adaptativas; Llegada de bandas espectrales; Clasificador de conjunto dinámico
• Keywords:Multispectral image classification; Industrial revolution 4.0; Online learning scenario; Adaptive convolutional neural network ensemble framework; Spectral band arrival; Dynamic ensemble classifier