Identificación de niebla marina a partir de imágenes de GOCI utilizando modelos de transferencia de aprendizaje de CNN
Autores: Jeon, Ho-Kun; Kim, Seungryong; Edwin, Jonathan; Yang, Chan-Su
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Identificación de niebla marina a partir de imágenes de GOCI utilizando modelos de transferencia de aprendizaje de CNN
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Propone
Niebla marina
Geostationary Ocean Color Imager
Modelo CNN-TL
VGG19
ResNet50
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
Este estudio propone un método de aproximación para identificar la niebla marina utilizando datos del Geostationary Ocean Color Imager (GOCI) mediante la aplicación de un modelo de Transfer Learning de Redes Neuronales Convolucionales (CNN-TL). En este estudio, se utilizan los modelos de CNN pre-entrenados VGG19 y ResNet50 por su alto rendimiento en la identificación. Los conjuntos de datos de entrenamiento y prueba se extrajeron de imágenes de GOCI para la región costera de la Península de Corea durante seis días en marzo de 2015. Se realizaron experimentos de identificación con diferentes combinaciones de bandas y variando si se aplicaba Transfer Learning (TL). TL mejoró el rendimiento de los dos modelos. Los datos de entrenamiento de CNN-TL mostraron hasta un 96.3% de precisión en la coincidencia, tanto con VGG19 como con ResNet50, de manera idéntica. Por lo tanto, se revela que CNN-TL es efectivo para la detección de niebla marina en las imágenes de GOCI.
Descripción
Este estudio propone un método de aproximación para identificar la niebla marina utilizando datos del Geostationary Ocean Color Imager (GOCI) mediante la aplicación de un modelo de Transfer Learning de Redes Neuronales Convolucionales (CNN-TL). En este estudio, se utilizan los modelos de CNN pre-entrenados VGG19 y ResNet50 por su alto rendimiento en la identificación. Los conjuntos de datos de entrenamiento y prueba se extrajeron de imágenes de GOCI para la región costera de la Península de Corea durante seis días en marzo de 2015. Se realizaron experimentos de identificación con diferentes combinaciones de bandas y variando si se aplicaba Transfer Learning (TL). TL mejoró el rendimiento de los dos modelos. Los datos de entrenamiento de CNN-TL mostraron hasta un 96.3% de precisión en la coincidencia, tanto con VGG19 como con ResNet50, de manera idéntica. Por lo tanto, se revela que CNN-TL es efectivo para la detección de niebla marina en las imágenes de GOCI.