Resumen

Uno de los problemas más difíciles de entender en las imágenes de teledetección de alta resolución es la clasificación de escenas aéreas. Un método de representación de características y un clasificador bien diseñados pueden mejorar la precisión de la clasificación. En este artículo, construimos una nueva arquitectura profunda de dos flujos para la clasificación de escenas aéreas. En primer lugar, utilizamos dos redes neuronales convolucionales (CNN) preentrenadas como extractor de características para aprender características profundas de la imagen aérea original y de la imagen aérea procesada a través de la detección de saliencia, respectivamente. En segundo lugar, se adoptan dos estrategias de fusión de características para fusionar los dos tipos diferentes de características convolucionales profundas extraídas por el flujo RGB original y el flujo de saliencia. Por último, utilizamos el clasificador de máquina de aprendizaje extremo (ELM) para la clasificación final con las características fusionadas. La eficacia de la arquitectura propuesta se prueba en cuatro conjuntos de datos difíciles: El conjunto de datos UC-Merced con 21 categorías de escenas, el conjunto de datos WHU-RS con 19 categorías de escenas, el conjunto de datos AID con 30 categorías de escenas y el conjunto de datos NWPU-RESISC45 con 45 categorías de escenas desafiantes. Los resultados experimentales demuestran que nuestra arquitectura consigue una mejora significativa en la precisión de la clasificación respecto a todas las referencias del estado del arte.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:categorías de escenas, clasificación de escenas aéreas, red neuronal convolucional, imagen aérea original, características convolucionales profundas, mejora de la precisión de la clasificación, flujo rgb original, imagen aérea procesada, categorías de escenas desafiantes, máquina de aprendizaje extremo
• Keywords:scene categories, aerial scene classification, convolutional neural network, original aerial image, deep convolutional features, classification accuracy improvement, original rgb stream, processed aerial image, challenging scene categories, extreme learning machine