Automatic crop identification and monitoring is a key element in enhancing food production processes as well as diminishing the related environmental impact. Although several efficient deep learning techniques have emerged in the field of multispectral imagery analysis, the crop classification problem still needs more accurate solutions. This work introduces a competitive methodology for crop classification from multispectral satellite imagery mainly using an enhanced 2D convolutional neural network (2D-CNN) designed at a smaller-scale architecture, as well as a novel post-processing step. The proposed methodology contains four steps: image stacking, patch extraction, classification model design (based on a 2D-CNN architecture), and post-processing. First, the images are stacked to increase the number of features. Second, the input images are split into patches and fed into the 2D-CNN model. Then, the 2D-CNN model is constructed within a small-scale framework, and properly trained to recognize 10 different types of crops. Finally, a post-processing step is performed in order to reduce the classification error caused by lower-spatial-resolution images. Experiments were carried over the so-named Campo Verde database, which consists of a set of satellite images captured by Landsat and Sentinel satellites from the municipality of Campo Verde, Brazil. In contrast to the maximum accuracy values reached by remarkable works reported in the literature (amounting to an overall accuracy of about 81%, a f1 score of 75.89%, and average accuracy of 73.35%), the proposed methodology achieves a competitive overall accuracy of 81.20%, a f1 score of 75.89%, and an average accuracy of 88.72% when classifying 10 different crops, while ensuring an adequate trade-off between the number of multiply-accumulate operations (MACs) and accuracy. Furthermore, given its ability to effectively classify patches from two image sequences, this methodology may result appealing for other real-world applications, such as the classification of urban materials.

No abstract

No abstract

Una arritmia es una patología que consiste en la alteración de los latidos del corazón. A pesar de que el electrocardiograma de 12 derivaciones permite evaluar el comportamiento eléctrico del corazón para determinar ciertas patologías, existen algunas arritmias que son de difícil detección con este tipo de electrocardiografía. Por tanto, es necesario recurrir al uso del monitor Holter, debido a que facilita el registro de la actividad eléctrica del corazón durante largos periodos de tiempo, por lo general de 24 a 48 horas. Debido a la extensión de los registros proporcionados por el monitor, es común acudir al uso de sistemas computacionales para evaluar características diagnósticas y morfológicas de los latidos con el fin de determinar si existe algún tipo de anormalidad. Estos sistemas computacionales pueden basarse en técnicas supervisadas o no supervisadas de reconocimiento de patrones, pero teniendo en cuenta que en la primera opción el realizar una inspección visual de la gran cantidad de latidos presentes en un registro Holter, resulta ser una ardua tarea, además de implicar costos monetarios, en este trabajo se presenta el diseño de un sistema completo para la identificación de arritmias en registros Holter usando técnicas no supervisadas de reconocimiento de patrones. El sistema propuesto involucra etapas de pre-procesamiento de la señal, segmentación y caracterización de latidos, además de selección de características y agrupamiento. En este caso, la técnica utilizada es k-medias. Dichas etapas se aplican dentro del marco de una metodología basada en segmentos que mejora la detección de clases minoritarias. Asimismo, se considera criterios de inicialización que permiten mejorar las medidas de desempeño, en especial, la sensibilidad. Como resultado, se determina que usar k-medias con el criterio de inicialización máx-mín y un número de grupos igual a 12, permite obtener los mejores resultados, siendo: 99,36 %, 91,31 % y 99,16 % para exactitud, sensibilidad y especificidad, respectivamente.