Cơ bản của phân loại ảnh vệ tinh

Phân loại ảnh vệ tinh là một nhiệm vụ chính trong cảm biến từ xa mà chỉ định nhãn đất phủ (như rừng, nước, đô thị, nước và nông nghiệp) cho mỗi điểm ảnh hoặc đối tượng trong ảnh vệ tinh. Phân loại chính xác hỗ trợ giám sát môi trường, phân tích môi trường, phản ứng mở rộng đô thị, và quản lý nông nghiệp. Việc phân loại truyền thống tiếp cận dựa trên các phương pháp thống kê có tính chất điểm ảnh như khả năng tối đa hoặc ảnh điện tử. Những phương pháp này là tăng cường lao động hay vật thể hiện, đòi hỏi các chuyên gia về lĩnh vực nghiên cứu, và thường đấu tranh với phong cảnh địa hình phân phối hợp hay điểm ảnh. Sự chuyển đổi sang việc học máy đã đạt được nhiều lợi ích trong cả hai tốc độ và độ chính xác, đặc biệt là dữ liệu phát triển như các chòm sao trên vệ tinh [FT] [FS] và các nhà cung cấp thương mại: 1]

Hình ảnh vệ tinh được ghi lại trong nhiều dải quang phổ - khả năng nhìn thấy, gần như hồng ngoại, ngắn, và nhiệt, và giữ được các tính chất khác nhau của vật liệu bề mặt. Các bộ phân loại phải khai thác những chữ ký quang phổ này trong khi kế toán cho bối cảnh không gian, hiệu ứng khí quyển, và các biến thể thời gian khác nhau. Các thuật toán học máy học học học học học học phân loại trực tiếp từ các mẫu đã đánh dấu, do đó giảm nhu cầu thiết bị thiết bị điều khiển hoặc xây dựng bằng tay. Khả năng thích ứng với phân phối dữ liệu địa phương này đã làm cho việc học cấu hình thống kê chi tiết công việc hiện đại.

Bộ xử lý phân loại ảnh từ vệ tinh

Hỗ trợ máy tính xách tay

Hỗ trợ máy tính véc- tơ (SVMs) được giám sát các mô hình học tập. Thuật toán SVM tìm các lớp siêu máy tính tối ưu phân chia trong không gian tính năng cao. Đối với hình ảnh vệ tinh, khoảng không gian tính năng bao gồm các giá trị ban băng thông thường, thực vật trong suốt, hoặc các biện pháp vẽ. Thuật toán SVM tìm kiếm sự hỗ trợ véc tơ (có tính năng phân loại) xác định gần nhất với ranh giới quyết định. Để tối đa hóa các lề. Tính năng này thường bao gồm các giá trị của dải phân vùng, hoặc các đường cong của các đường cong trong dải lục địa. Thuật toán SVM - thuật toán này tìm thấy các mẫu đặc trưng cho các đường dẫn nhập không gian không thay đổi rõ ràng. Tương ứng với dữ liệu nhỏ và kết quả đất đai mạnh mẽ nhất cho các vùng phụ thuộc vào đường cong. Tuy nhiên, các phần mềm siêu nhỏ hơn, có thể kiểm tra các ứng dụng tương ứng với các tính năng lượng gamma và các tính năng lượng gamma.

Rừng Ngẫu nhiên

Rừng ngẫu nhiên là một phương pháp có thể được xây dựng từ nhiều cây quyết định, mỗi cây được đào tạo trên một tập con nhỏ của dữ liệu và một tập hợp nhỏ các tính năng ngẫu nhiên. Trong phân loại ngẫu nhiên, mỗi cây bỏ phiếu cho một lớp, và quyết định đa số được đưa ra. Phương pháp này biến đổi đường dẫn này giảm so với một cây quyết định riêng lẻ và cung cấp tính năng quan trọng mà giải thích được những dải quang phổ hay thảo mộc đóng góp nhiều nhất cho sự phân chia. Rừng là mạnh mẽ để gây nhiễu, dữ liệu và không gian không gian cao, làm cho thuật toán hoạt động của hệ thống mã hóa bộ lọc tập tin và các dữ liệu tương ứng với các dữ liệu có thể tương ứng với nhau. Mặc dù nó có thể được sử dụng một số lượng lớn hơn cả các sản phẩm rừng thông tin ngẫu nhiên.

Mạng thần kinh sâu ( Mạng thần kinh mạng)

Các mạng lưới thần kinh tiến hóa (CNNNNS) đã trở thành trạng thái của bộ phân loại ảnh vệ tinh, đặc biệt là khi bối cảnh và mẫu họa tiết không gian và họa tiết cấu hình cấu hình cấu trúc sẵn sàng học các tính năng phân cấp từ các điểm đầu vào thô - các hình dạng, và các vật thể khác nhau cấu tạo nhiều lớp hình và tập hợp. Chuyển đổi bằng các mạng được đào tạo sẵn trên các dữ liệu ảnh tự nhiên lớn như ImageNet, cho phép khả năng phân tách tốt các mục nhập từ xa với vài ảnh có nhãn hiệu như ReNet, Uffient và Effient được chỉ định sẵn, nơi mà mỗi điểm ảnh được chỉ định, như mạng thông tin nội dung của trang web, và các dữ liệu bảo vệ tinh: các thiết lập thông tin về các điểm ảnh từ các điểm vệ tinh, và các thiết lập thông tin không có giá trị cao, nhưng cần thiết để tránh các thiết lập một số dữ liệu từ các thiết bị vệ tinh [t] và các thiết lập tập tin mật thiết bị vệ tinh [t] cần thiết bị định vị trí thông tin mật thiết để kiểm tra thông tin mật.

Hàng xóm tốt nhất KAXNNest

KTNearest hàng xóm (KNN) là một người không biết tính toán theo trình tự KAvalm, ví dụ người học dựa trên cơ sở Kligle có thể phân loại một điểm ảnh bởi đa số người bỏ phiếu theo các mẫu huấn luyện gần nhất của họ trong không gian. Khoảng cách giữa các số đo như Euclidean, Manhattan, hay Mahalaanobis được dùng để tính toán gần. KN là đơn giản để thực hiện, không cần thiết thời gian huấn luyện rõ ràng, và cũng không cần thiết khi phân phối lớp học ẩn là đại diện riêng lẻ và tập luyện tại địa phương pháp tập gần nhất. Nó vẫn hữu ích cho bộ dữ liệu nhỏ như là một phương pháp phân loại nhỏ hoặc cơ bản. Mặc dù tính chất DN, tính năng dễ sử dụng tính năng nhạy cảm của KN từ tính năng không gian không gian không thích hợp, và tính năng tối ưu tiên của các tính năng đặc trưng cho các tính năng đặc trưng cho các tính năng của các tính năng của các tính năng kiểu kỹ thuật đa và kỹ thuật đa kỹ thuật đa kỹ thuật đa kỹ thuật đa kỹ thuật đa áp dụng cho phép quét protein của bộ lọc tập tính năng của bộ lọc âm thanh

Lợi thế của việc học hỏi máy tính qua phương pháp truyền thống

  • Sự chính xác cao hơn trong phong cảnh phức tạp: [FLT: 1) phương pháp truyền thống giả định kiểu dáng Gaussian phân phối hoặc phân tách tuyến tính, trong khi máy học thuật toán thu các mối quan hệ không tuyến tính, đa mô tả phổ biến trong hình ảnh vệ tinh thế giới thực. Lấy thí dụ, « Ngẫu nhiên và CNN » thường sản xuất tập hợp tổng cộng 90% trên thiết lập dữ liệu ghế dự bị, vượt quá mức tối đa phân loại của 10–20 điểm.
  • Sự tự động hóa của kỹ thuật tính năng: ) Mô hình học sâu học không gian và quang phổ kết thúc các tính năng kết thúc cho mục đích của phương tiện, giảm nỗ lực thủ công cần thiết để thiết kế các thiết kế các bản đồ nội dung hoặc bộ lọc kết cấu. Điều này làm giảm rào cản cho các bản đồ chất không được sử dụng để tạo ra bản đồ chất chất lượng cao.
  • Khả năng tính toán của khối dữ liệu lớn: máy có thể xử lý các đường ống học dữ liệu vệ tinh song song bằng cách sử dụng các khuôn khổ tính toán phân phối. Khả năng này là thiết yếu để tạo ra các sản phẩm bao bọc đất trên toàn cầu tại độ phân giải cao opiotoral.
  • Khả năng thay đổi và cải tiến liên tục: Mô hình có thể được đào tạo lại khi có dữ liệu khảo sát mới, cho phép cập nhật liên tục các bản đồ phân loại. Chiến lược học tích cực cũng giảm hiệu lực bằng cách chọn các mẫu có tính chất thông tin nhất cho việc chú giải.

Những thử thách và giới hạn

Yêu cầu và chi phí nhãn

Tất cả các mô hình giám sát máy học tập cần một số lượng lớn dữ liệu được đánh dấu chính xác. Đối với hình ảnh vệ tinh, dữ liệu trên mặt đất thường đến từ khảo sát trường, hình ảnh độ phân giải cao hơn, hoặc các bản đồ tìm kiếm đất đai. lấy nhãn hiệu như thế cho các vùng địa lý khác nhau và thời gian tương tác là tốn kém và thời gian giám sát. Chúng tôi eakly giám sát và tự giám sát học cách tiếp cận đang được phát triển để giảm thiểu các vùng cổ chai này, nhưng họ vẫn còn tiếp tục nghiên cứu các biên giới.

Yêu cầu tính toán

Các mạng thần kinh sâu đặc biệt đòi hỏi các GPUs mạnh mẽ và bộ nhớ lớn để đào tạo trên các mảnh đa chiều cao. Các dịch vụ dựa trên mây như Google Earth và hệ thống làm từ Amazon Sage Saver cung cấp các phép tính có thể được, nhưng chi phí có thể là đáng kể cho các dự án quy mô lớn. nén mô hình, cắt tỉa và kiến trúc nhỏ (v. g., MobileNet) đang nổi lên để giảm các yêu cầu tính toán để phát triển trên các thiết bị hoặc nền tảng vệ tinh.

Quá hợp lý và đa dạng hóa

Mô hình máy học có thể quá sức để đào tạo dữ liệu, đặc biệt khi bộ dữ liệu nhỏ hay mất cân bằng. kỹ thuật thường xuyên hóa (tách, giảm cân, giảm cân, dừng lại sớm) và vượt qua sự giúp đỡ vượt qua sự giám sát, nhưng việc chuyển một mô hình được đào tạo ở một vùng khác với các đặc tính khác nhau land land overend thường làm giảm hiệu suất. Phương pháp thích nghi miền và đào tạo mã nguồn đa nguồn năng lượng là những khu vực nghiên cứu để cải thiện tổng quát hóa trong miền không gian và thời gian.

Khả năng giải mã mô hình

Những mô hình phức tạp như mạng lưới thần kinh sâu sắc hoạt động như “các hộp đen, và các hộp đen khiến chúng khó hiểu tại sao một điểm ảnh đặc trưng lại được phân loại như rừng, thay vì bụi cây.

Những hướng đi trong tương lai và những cuộc chiến tranh gay go

Sự kết hợp giữa việc học và hình ảnh vệ tinh vẫn tiếp tục tiến triển nhanh. Các cơ chế và cấu trúc chuyển đổi chú ý - đã được phát triển theo cách xử lý ngôn ngữ tự nhiên - đang được thích nghi để thu thập các phụ thuộc không gian tầm xa trong hình ảnh vệ tinh, biên tập CNN trên các nhiệm vụ phân vùng nhất định. Tự giám sát quản lý việc học các mô hình trước trên ảnh chưa được đánh dấu, sau đó tốt hơn nhãn hiệu, giảm đáng kể các nhu cầu chú ý. Thêm vào đó, sự hợp nhất của radar (SAR) và dữ liệu quang học bằng cách sử dụng nhiều mạng thần kinh đa phân loại trong vùng mây. Phần mềm tự động như [Fliclit], cơ chế tạo ra các thiết bị hỗ trợ vệ tinh, sẽ tăng cường dữ liệu bảo vệ môi trường và xác định tính năng lượng vệ môi trường, và xác suất của máy tính năng lượng vệ tinh.

Kết luận

Các thuật toán máy học đã biến đổi hình ảnh vệ tinh từ một hướng dẫn sử dụng, tập thể dục thống kê thành một quá trình tự động, có khả năng xử lý dòng dữ liệu cao có khả năng xử lý các dữ liệu khổng lồ. hỗ trợ máy tính, rừng ngẫu nhiên, mạng lưới thần kinh sâu, và thậm chí các phương pháp đơn giản hơn như KGNearest hàng xóm cho các ứng dụng khác nhau, với việc học tập sâu sắc hiện nay dẫn đầu biên giới. mặc dù các thử thách dai dẳng trong nhãn hiệu dữ liệu, tính toán, và khả năng giải thích, tích tích tích tích tích tích trong tự bảo vệ sinh, và mô hình nén và các khu vực thích thích thích hợp để làm cho các công cụ này dễ tiếp cận hơn và hoạt động. Tiếp tục việc tiếp tục sử dụng các thiết bị vệ tinh để quan sát về mặt đất sẽ cung cấp sự phát triển môi trường quan sát quan sát thiết yếu về môi trường, và sự bền vững bền vững.