Un método de fusión de características profundas para la clasificación de objetos terrestres complejos en el ecosistema de cobertura terrestre utilizando ZY1-02D y Sentinel-1A
Autores: Li, Shuai; Tian, Shufang
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un método de fusión de características profundas para la clasificación de objetos terrestres complejos en el ecosistema de cobertura terrestre utilizando ZY1-02D y Sentinel-1A
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Exitoso
Aprendizaje profundo multimodal
Clasificación de uso/cobertura del suelo
Hiperespectral
Radar de apertura sintética
Capacidad de fusión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
A pesar de la exitosa aplicación de métodos de aprendizaje profundo multimodal (MDL) para tareas de clasificación de uso/cobertura del suelo (LULC), su capacidad de fusión aún no ha sido examinada sustancialmente para datos hiperespectrales y de radar de apertura sintética (SAR). Los datos hiperespectrales y SAR se han utilizado recientemente de manera amplia en la clasificación de cobertura del suelo. Sin embargo, el ruido de speckle del SAR y la heterogeneidad con el mecanismo de imagen de los datos hiperespectrales han obstaculizado la aplicación de métodos MDL para integrar datos hiperespectrales y SAR. En consecuencia, propusimos un método de fusión de características profundas llamado Refine-EndNet que combina una red de filtros dinámicos (DFN), un mecanismo de atención (AM) y un marco de codificador-decodificador (EndNet). El método propuesto está diseñado específicamente para datos hiperespectrales y SAR y adopta una estrategia de fusión de características intra-grupo e inter-grupo. En la fusión de características intra-grupo, la información espectral de los datos hiperespectrales se integra mediante redes neuronales completamente conectadas en la dimensión de características. La red de generación de filtros de fusión (FFGN) suprime la presencia de ruido de speckle y la influencia de la heterogeneidad entre datos multimodales. En la fusión de características inter-grupo, la red de generación de pesos de fusión (FWGN) optimiza aún más la información complementaria y mejora la capacidad de fusión. Los resultados experimentales de los datos hiperespectrales del satélite ZY1-02D y los datos SAR dual-polarimétricos del Sentinel-1A ilustran que el método propuesto supera a los métodos convencionales de fusión de imágenes a nivel de características (FLIF) y MDL, como S2ENet, FusAtNet y EndNets, tanto visual como numéricamente. Intentamos investigar primero los potenciales de los datos hiperespectrales del satélite ZY1-02D afectados por nubes densas, combinados con datos SAR para la clasificación de objetos en el suelo en el ecosistema de cobertura del suelo.
Descripción
A pesar de la exitosa aplicación de métodos de aprendizaje profundo multimodal (MDL) para tareas de clasificación de uso/cobertura del suelo (LULC), su capacidad de fusión aún no ha sido examinada sustancialmente para datos hiperespectrales y de radar de apertura sintética (SAR). Los datos hiperespectrales y SAR se han utilizado recientemente de manera amplia en la clasificación de cobertura del suelo. Sin embargo, el ruido de speckle del SAR y la heterogeneidad con el mecanismo de imagen de los datos hiperespectrales han obstaculizado la aplicación de métodos MDL para integrar datos hiperespectrales y SAR. En consecuencia, propusimos un método de fusión de características profundas llamado Refine-EndNet que combina una red de filtros dinámicos (DFN), un mecanismo de atención (AM) y un marco de codificador-decodificador (EndNet). El método propuesto está diseñado específicamente para datos hiperespectrales y SAR y adopta una estrategia de fusión de características intra-grupo e inter-grupo. En la fusión de características intra-grupo, la información espectral de los datos hiperespectrales se integra mediante redes neuronales completamente conectadas en la dimensión de características. La red de generación de filtros de fusión (FFGN) suprime la presencia de ruido de speckle y la influencia de la heterogeneidad entre datos multimodales. En la fusión de características inter-grupo, la red de generación de pesos de fusión (FWGN) optimiza aún más la información complementaria y mejora la capacidad de fusión. Los resultados experimentales de los datos hiperespectrales del satélite ZY1-02D y los datos SAR dual-polarimétricos del Sentinel-1A ilustran que el método propuesto supera a los métodos convencionales de fusión de imágenes a nivel de características (FLIF) y MDL, como S2ENet, FusAtNet y EndNets, tanto visual como numéricamente. Intentamos investigar primero los potenciales de los datos hiperespectrales del satélite ZY1-02D afectados por nubes densas, combinados con datos SAR para la clasificación de objetos en el suelo en el ecosistema de cobertura del suelo.