1. Αρχική σελίδα
  2. Αναζήτηση

Deep learning for multi-label land cover classification

Το τεκμήριο παρέχεται από τον φορέα :
Πολυτεχνείο Κρήτης   

Αποθετήριο :
Ιδρυματικό Αποθετήριο Πολυτεχνείου Κρήτης   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Deep learning for multi-label land cover classification (EN)
Ζερβακης Μιχαλης (EL)
Zervakis Michalis (EN)
Panagiotis Tsakalides (EN)
Konstantinos Karalas (EN)
Grigorios Tsagkatakis (EN)
conferenceItem
poster
2015
Whereas single class classification has been a highly active topic in optical remote sensing, much less effort has been given to the multi-label classification framework, where pixels are associated with more than one labels, an approach closer to the reality than single-label classification. Given the complexity of this problem, identifying representative features extracted from raw images is of paramount importance. In this work, we investigate feature learning as a feature extraction process in order to identify the underlying explanatory patterns hidden in low-level satellite data for the purpose of multi-label classification. Sparse auto-encoders composed of a single hidden layer, as well as stacked in a greedy layer-wise fashion formulate the core concept of our approach. The results suggest that learning such sparse and abstract representations of the features can aid in both remote sensing and multi-label problems. The results presented in the paper correspond to a novel real dataset of annotated spectral imagery naturally leading to the multi-label formulation. © (2015) COPYRIGHT Society of Photo-Optical Instrumentation Engineers (SPIE). Downloading of the abstract is permitted for personal use only. (EN)
Image and Signal Processing for Remote Sensing XXI (EL)
Αγγλική γλώσσα
Πολυτεχνείο Κρήτης (EL)
Technical University of Crete (EN)
Πολυτεχνείο Κρήτης
Ιδρυματικό Αποθετήριο Πολυτεχνείου Κρήτης
School of Chemical and Environmental Engineering - Journal Publications



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.