La mayoría de las operaciones de detección, reconocimiento y clasificación de objetos se realizan mediante imágenes ópticas. Las imágenes no pueden representar completamente el mundo real debido al rango limitado del espectro de luz visible que refleja la luz de las superficies de los objetos. En este sentido, la información física y geométrica procedente de otras fuentes de datos compensaría la limitación de las imágenes ópticas y aportaría un efecto sinérgico para el entrenamiento de modelos de aprendizaje profundo (deep learning, DL). En este trabajo, proponemos clasificar las características del terreno mediante un modelo SegNet basado en una red neuronal convolucional (CNN) utilizando datos geoespaciales 3D que incluyen ortoimágenes infrarrojas (IR), modelos digitales de superficie (DSM) e información derivada. Las imágenes de pendiente, aspecto y relieve sombreado (IRS) se derivaron del DSM y se utilizaron como datos de entrenamiento para el modelo DL. Los experimentos se llevaron a cabo utilizando el conjunto de datos de Vaihingen y Potsdam proporcionado por la Sociedad Alemana de Fotogrametría, Teledetección y Geoinformación (DGPF) a través de la Sociedad Internacional de Fotogrametría y Teledetección (ISPRS). El conjunto de datos incluye ortoimágenes IR, DSM, datos LiDAR aerotransportados y datos de etiquetas. La motivación de utilizar datos 3D e información derivada para entrenar el modelo DL es que los objetos del mundo real son características 3D. Los resultados experimentales demuestran que el enfoque propuesto de utilizar e integrar diversos datos de características informativas podría mejorar el rendimiento de la DL para la segmentación semántica. En particular, la precisión de la clasificación de edificios es mayor en comparación con otros objetos naturales porque la información derivada podría proporcionar características geométricas. La intersección de la unión (IoU) de los edificios para los datos de prueba y los nuevos datos no vistos con la combinación de todos los datos derivados fue del 84,90y 52,45%, respectivamente.
Citación recomendada (normas APA)
Hindawi, "Land Cover Classification Using SegNet with Slope, Aspect, and Multidirectional Shaded Relief Images Derived from Digital Surface Model", -:Revista VirtualPRO,, 2020. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3912316/), el día 2025-12-19.
¡Disfruta más de la BDB!
Explora contenidos digitales de forma gratuita, crea tus propias colecciones, colabora y comparte con otros.
