A Comparison on Supervised Machine Learning Classification Techniques for Semantic Segmentation of Aerial Images of Rain Forest Regions

Cavalcanti, Luiz Carlos; Carvalho, José Oscar Fontanini de; Santos, Eulanda M. dos

doi:10.5220/0005300004980504

Cited by 2 publications

(6 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Na literatura são encontrados vários trabalhos relacionadosà segmentação de imagem eà avaliação de características que descrevem pixel ou segmento de imagem [Olofsson et al 2014 [Cavalcanti L. et al 2015] compara vários algoritmos comuns de classificação e avalia sua confiabilidade na segmentação de imagens aéreas de regiões de floresta tropical. Para os experimentos eles usam imagens reais de um conjunto de dados disponível publicamente.…”

Section: Trabalhos Relacionadosunclassified

“…O Random Forest apresentou um desempenho melhor no conjunto de dados, mas os autores destacam a necessidade de resolver o problema de falso positivos em segmentos de imagem que representamágua, que, segundo eles,é visivelmente maior do que em outros métodos. Aqui cabe comparar com Du [Du et al 2015] que, os melhores resultados foram ao classificar classes com regiões dé agua, enquanto para Cavalcanti et al [Cavalcanti L. et al 2015] teve seu pior resultado. Este trabalhoé uma extensão do proposto por Cavalcanti et al [Cavalcanti L. et al 2015].…”

Section: Trabalhos Relacionadosunclassified

See 1 more Smart Citation

Detecção de áreas de clareiras na Floresta Amazônica através de monitoramento via satélite usando técnicas de aprendizagem de máquina

Pessoa¹,

Melo²,

Rodrigues³

et al. 2019

Anais Do Seminário Integrado De Software E Hardware (SEMISH)

View full text Add to dashboard Cite

Este artigo aborda o problema de detecção de áreas de clareira na Floresta Amazônica, através do uso de dados de sensoriamento remoto e técnicas de aprendizagem de máquina supervisionada e não-supervisionada. Uma clareira (ou lacuna de dossel) é uma pequena área em uma floresta onde não há árvores ou há apenas mata baixa que destoa do seu entorno. Foram usadas 44 imagens de satélite, divididas em 3.288 segmentos, rotulados por um especialista, sendo 1.652 da classe não-clareira e 1.636 de clareira. Os segmentos foram representados por um conjunto de características que inclui informacões de cor e estatística de 1a e 2a ordem. No aprendizado supervisionado, os melhores resultados foram obtidos com os métodos baseados em regras, Decision Tree e Randon Forest, chegando a 97% nas duas classes. Métodos que usam abordagens diferentes obtiveram resultados piores, o que sugere melhor análise da relacão entre os atributos. Já no aprendizado não-supervisionado, o melhor desempenho foi para o método BIRCH, que obteve 94,48% para as duas classes, mas necessitando de um grande número de agrupamentos sob alto custo de processamento. Os resultados preliminares obtidos indicam que a abordagem proposta é promissora, o que deve continuar sendo investigado.

show abstract

Section: Trabalhos Relacionadosunclassified

Detecção de áreas de clareiras na Floresta Amazônica através de monitoramento via satélite usando técnicas de aprendizagem de máquina

Pessoa¹,

Melo²,

Rodrigues³

et al. 2019

Anais Do Seminário Integrado De Software E Hardware (SEMISH)

View full text Add to dashboard Cite

show abstract

“…Combined (3)(4)(5), (3)(4)(5)(6) and (3-7) we can obtain the derivative between the error E and the weight of the…”

Section: E Bmentioning

confidence: 99%

“…  continuously according to the formula (3)(4)(5) , it can spread the error to the bottom, and the error rate of change l  can be derived from the first layer according to and (3-4):…”

Section: E Bmentioning

confidence: 99%

“…In the aspect of feature extraction, the researchers used the basic characteristics of the image, including color feature, texture feature and shape feature [3]. With the further research, more and more advanced features are applied to image recognition, including SIFT features, SURF features, multi scale sparse features and so on [4]; in the aspect of classification recognition, the early machine learning models have achieved good results, including K nearest neighbor, clustering, support vector machine, artificial neural network, naive Bayesian method and so on [5]. In recent years, with the deepening of research, more and more researchers use in-depth learning model for feature extraction and recognition, which has made great progress in image recognition.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Algorithmic Research for Image Annotation Based on Region Convolution Neural Network

Yuan¹

2016

IJSIP

View full text Add to dashboard Cite

show abstract

A Comparison on Supervised Machine Learning Classification Techniques for Semantic Segmentation of Aerial Images of Rain Forest Regions

Cited by 2 publications

References 0 publications

Detecção de áreas de clareiras na Floresta Amazônica através de monitoramento via satélite usando técnicas de aprendizagem de máquina

Detecção de áreas de clareiras na Floresta Amazônica através de monitoramento via satélite usando técnicas de aprendizagem de máquina

Algorithmic Research for Image Annotation Based on Region Convolution Neural Network

Contact Info

Product

Resources

About