Iнститут космiчних дослiджень НАНУ-ДКАУ       
       Про нас    UN-SPIDER RSO    НТУУ КПІ    Семiнари та конференцiї    Проекти    Публiкацiї    Робота з молоддю    Співробітники    Контакти  
     
 укр    eng      
         

Нагорода IEEE Publication Encouragement Award 2017

Стаття "Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data" в журналі IEEE Geoscience and Remote Sensing Letters за авторством проф. д.т.н. Куссуль Н.М., Лавренюка М.С., к.т.н. Скакуна С.В. та проф. д.т.н. Шелестов А.Ю. відзначена нагородою IEEE Publication Encouragement Award 2017.

Цій традації з нагородження заохочуальними відзнаками українських членів IEEE за якісні публікації у журналах IEEE, які належать до групи технічних товариств AP/MTT/ED/AES/GRS/NPS вже 15 років. Цього року відзначено 15 колективів авторів, які опублікували станні у 2017 IEEE Magazines.

Анотація статті:
Deep learning (DL) is a powerful state-of-the-art technique for image processing including remote sensing (RS) images. This letter describes a multilevel DL architecture that targets land cover and crop type classification from multitemporal multisource satellite imagery. The pillars of the architecture are unsupervised neural network (NN) that is used for optical imagery segmentation and missing data restoration due to clouds and shadows, and an ensemble of supervised NNs. As basic supervised NN architecture, we use a traditional fully connected multilayer perceptron (MLP) and the most commonly used approach in RS community random forest, and compare them with convolutional NNs (CNNs). Experiments are carried out for the joint experiment of crop assessment and monitoring test site in Ukraine for classification of crops in a heterogeneous environment using nineteen multitemporal scenes acquired by Landsat-8 and Sentinel-1A RS satellites. The architecture with an ensemble of CNNs outperforms the one with MLPs allowing us to better discriminate certain summer crop types, in particular maize and soybeans, and yielding the target accuracies more than 85% for all major crops (wheat, maize, sunflower, soybeans, and sugar beet).

Рекомендуємо ознайомитись з даною публікацієї на сайті IEExplore Digital Library.


    

       Про нас  |  UN-SPIDER RSO  |  НТУУ КПІ  |  Семiнари та конференцiї  |  Проекти  |  Публiкацiї  |  Робота з молоддю  |  Співробітники  |  Контакти