1. 程式人生 > >A Comprehensive Evaluation of Approaches for Built-Up Area Extraction from Landsat OLI Images Using Massive Samples(landsat8建城區提取不同方法比較)

A Comprehensive Evaluation of Approaches for Built-Up Area Extraction from Landsat OLI Images Using Massive Samples(landsat8建城區提取不同方法比較)

生成 boost 特征工程 隨機生成 alua strong eva 拉伸 1-n

感覺主要是數據的創新,方法就是比較了傳統方法(RF,SVM,Adaboost)和CNN,輸入比較了單像素輸入和像素周圍3,5,7大小的範圍。也不是語義分割,最基本的CNN,單像素時還用的1*1的卷積

用的數據是landsat8作為檢測的圖,真值點用歐空局的2014年全球38m建城區數據為基準隨機生成,再利用OpenStreetMap, 和 MOD13Q1-NDVI來對生成的點進行校正。

數據的處理方面除了landsat8的原始波段,將1-7波段最近鄰法上采樣到15m分辨率,再計算了NDBI, IBI, EMBI,紋理特征,灰度共生矩陣,各種組合作為輸入比較。

由於不同特征數值範圍不同,先歸一化到0-1,再線性拉伸到0-255,一般都歸一化到0-1就好了

,它還再拉伸開來,可能這樣對傳統機器學習方法較好

還有一點就是他的文獻綜述還不錯,比較了特征工程和特征學習,基於像素和基於patch,中分辨率建城區提取

A Comprehensive Evaluation of Approaches for Built-Up Area Extraction from Landsat OLI Images Using Massive Samples(landsat8建城區提取不同方法比較)