論文の概要: Land Use and Land Cover Classification using a Human Group based
Particle Swarm Optimization Algorithm with a LSTM classifier on
hybrid-pre-processing Remote Sensing Images
- arxiv url: http://arxiv.org/abs/2008.01635v2
- Date: Sat, 7 Nov 2020 18:33:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 00:58:03.032887
- Title: Land Use and Land Cover Classification using a Human Group based
Particle Swarm Optimization Algorithm with a LSTM classifier on
hybrid-pre-processing Remote Sensing Images
- Title（参考訳）: ハイブリッド前処理型リモートセンシング画像を用いたlstm分類器を用いたヒト群粒子群最適化アルゴリズムによる土地利用と土地被覆分類
- Authors: R. Ganesh Babu, K. Uma Maheswari, C. Zarro, B. D. Parameshachari, and
S. L. Ullo
- Abstract要約: リモートセンシング画像を用いた土地利用・土地被覆分類(LULC)は多くの環境モデリングや土地利用在庫において重要な役割を担っている。
本研究では,LULC分類の性能向上のために,ディープラーニング分類器とハイブリッド特徴最適化アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Land use and land cover (LULC) classification using remote sensing imagery
plays a vital role in many environment modeling and land use inventories. In
this study, a hybrid feature optimization algorithm along with a deep learning
classifier is proposed to improve the performance of LULC classification,
helping to predict wildlife habitat, deteriorating environmental quality,
haphazard, etc. LULC classification is assessed using Sat 4, Sat 6 and Eurosat
datasets. After the selection of remote sensing images, normalization and
histogram equalization methods are used to improve the quality of the images.
Then, a hybrid optimization is accomplished by using the Local Gabor Binary
Pattern Histogram Sequence (LGBPHS), the Histogram of Oriented Gradient (HOG)
and Haralick texture features, for the feature extraction from the selected
images. The benefits of this hybrid optimization are a high discriminative
power and invariance to color and grayscale images. Next, a Human Group based
Particle Swarm Optimization (PSO) algorithm is applied to select the optimal
features, whose benefits are fast convergence rate and easy to implement. After
selecting the optimal feature values, a Long Short Term Memory (LSTM) network
is utilized to classify the LULC classes. Experimental results showed that the
Human Group based PSO algorithm with a LSTM classifier effectively well
differentiates the land use and land cover classes in terms of classification
accuracy, recall and precision. An improvement of 2.56% in accuracy is achieved
compared to the existing models GoogleNet, VGG, AlexNet, ConvNet, when the
proposed method is applied.
- Abstract（参考訳）: リモートセンシング画像を用いた土地利用・土地被覆分類(LULC)は多くの環境モデルや土地利用在庫において重要な役割を担っている。
本研究では,LLC分類の性能向上,野生生物の生息環境の予測,環境品質の劣化,ハファザードなどを支援するために,ディープラーニング分類器とハイブリッド特徴最適化アルゴリズムを提案する。
LULC分類は、Sat 4、Sat 6、Eurosatデータセットを用いて評価される。
リモートセンシング画像の選択後、画像の品質を向上させるために正規化とヒストグラム等化法が使用される。
そして、選択した画像からの特徴抽出のために、局所gaborバイナリパターンヒストグラム配列(lgbphs)、配向勾配ヒストグラム(hog)、ハラリックテクスチャ特徴を用いてハイブリッド最適化を行う。
このハイブリッド最適化の利点は、色とグレースケールの画像に対する高い識別力と不変性である。
次に,高速な収束率と実装が容易な最適な特徴を選択するために,人間群に基づく粒子群最適化(pso)アルゴリズムを適用した。
最適な特徴値を選択した後、Long Short Term Memory (LSTM)ネットワークを使用してLULCクラスを分類する。
LSTM分類器を用いたHuman GroupベースのPSOアルゴリズムは,分類精度,リコール,精度の観点から,土地利用と土地被覆クラスを効果的に区別することを示した。
提案手法を適用すると,既存のモデルであるGoogleNet,VGG,AlexNet,ConvNetと比較して2.56%の精度向上が達成される。
関連論文リスト
- Superpixel Graph Contrastive Clustering with Semantic-Invariant
Augmentations for Hyperspectral Images [64.72242126879503]
ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。
まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。
次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
論文 参考訳（メタデータ） (2024-03-04T07:40:55Z) - DCN-T: Dual Context Network with Transformer for Hyperspectral Image
Classification [109.09061514799413]
複雑な撮像条件による空間変動のため,HSI分類は困難である。
本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。
提案手法は,HSI分類における最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-04-19T18:32:52Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - Towards Automated Imbalanced Learning with Deep Hierarchical
Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。
オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。
我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文 参考訳（メタデータ） (2022-08-26T04:28:01Z) - Sub-Image Histogram Equalization using Coot Optimization Algorithm for
Segmentation and Parameter Selection [0.0]
平均および分散に基づくサブイメージヒストグラム等化(MVSIHE)アルゴリズムは,これらのコントラスト強化手法の1つである。
本研究では,直近の最適化アルゴリズム,すなわちcoot Optimization algorithm(COA)を用いて,MVSIHEアルゴリズムの適切なパラメータを選択する。
その結果, バイオメディカル画像処理の分野では, 提案手法が有効であることが示唆された。
論文 参考訳（メタデータ） (2022-05-31T06:51:45Z) - Kernel Extreme Learning Machine Optimized by the Sparrow Search
Algorithm for Hyperspectral Image Classification [16.51364033144792]
本稿では、マルチスケールトータル変分法(MSTV)を用いてスペクトルの特徴を抽出し、局所二分法パターン(LBP)を用いて空間的特徴を抽出し、超スペクトル像の融合特徴を得る。
カーネル・エクストリーム・ラーニング・マシン(KELM)のカーネルパラメータと正規化係数を最適化するために,高収束・大域探索機能を備えた新しいスワム・インテリジェンス最適化手法であるスパロウ・サーチ・アルゴリズム(SSA)を用いる。
実験の結果,MLS-KELMは他の一般的な分類法と比較して,分類性能と一般化能力が優れており,MLS-KELMは小サンプルにおいて強い堅牢性を示すことがわかった。
論文 参考訳（メタデータ） (2022-04-03T02:46:36Z) - Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD
for Communication Efficient Nonconvex Distributed Learning [58.79085525115987]
ローカル手法は通信時間を短縮する有望なアプローチの1つである。
局所的データセットが局所的損失の滑らかさよりも小さい場合,通信の複雑さは非局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-02-12T15:12:17Z) - Unconstrained Face Recognition using ASURF and Cloud-Forest Classifier
optimized with VLAD [0.0]
本稿では, 画像の翻訳, 回転, スケール, 色, 照明, アフィン歪みに制約される多クラス顔画像分類のための計算効率の高いアルゴリズムを提案する。
提案手法は,顔認識システムにおける精度と時間を改善することを目的としている。
論文 参考訳（メタデータ） (2021-04-02T01:26:26Z) - GL-GAN: Adaptive Global and Local Bilevel Optimization model of Image
Generation [6.931933354572298]
適応的グローバル・ローカル・バイレベル最適化モデル(GL-GAN)を導入する。
このモデルは相補的で促進的な方法で高解像度画像を生成する。
現在のGAN手法と比較して、我々のモデルはCelebA, CelebA-HQ, LSUNデータセットで顕著な性能を示している。
論文 参考訳（メタデータ） (2020-08-06T03:00:09Z) - Color Image Segmentation using Adaptive Particle Swarm Optimization and
Fuzzy C-means [0.30458514384586394]
本稿では,Adaptive Particle Swarm Optimization and Fuzzy C-means Clustering Algorithm (APSOF) という画像分割アルゴリズムを提案する。
Adaptive Particle Swarm Optimization (APSO)とFuzzy C-meansクラスタリングに基づいている。
実験により、APSOFアルゴリズムは最適なクラスタセンターを正しく同定する際、FCMよりもエッジを持つことが示された。
論文 参考訳（メタデータ） (2020-04-18T08:11:33Z) - Stochastic batch size for adaptive regularization in deep network
optimization [63.68104397173262]
ディープラーニングフレームワークにおける機械学習問題に適用可能な適応正規化を取り入れた一階最適化アルゴリズムを提案する。
一般的なベンチマークデータセットに適用した従来のネットワークモデルに基づく画像分類タスクを用いて,提案アルゴリズムの有効性を実証的に実証した。
論文 参考訳（メタデータ） (2020-04-14T07:54:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。