Classificação de Imagens de Sensoriamento Remoto em Alta Resolução de Dados Desequilibrados Usando Método de Amostragem em Múltiplas Etapas e Redes Neurais Profundas

O desequilíbrio de classes é um problema chave para a aplicação de aprendizado profundo na classificação de imagens de sensoriamento remoto, pois um modelo gerado pelo treinamento com amostras desequilibradas tem baixa precisão de classificação para classes minoritárias. Neste estudo, uma abordagem de classificação precisa utilizando o método de amostragem em múltiplas etapas e redes neurais profundas foi proposta para classificar dados desequilibrados. Primeiro, equilibramos as amostras por meio da amostragem em múltiplas etapas para obter os conjuntos de treinamento. Em seguida, um modelo de última geração é adotado, combinando as vantagens de pooling espacial atrous (ASPP) e Encoder-Decoder para classificação pixel a pixel, que são dois tipos diferentes de redes neurais convolucionais totalmente conectadas (FCNs) que podem obter informações contextuais de múltiplos níveis na fase Encoder. Os detalhes e dimensões espaciais dos alvos são restaurados usando tais informações durante a fase Decoder. Empregamos quatro algoritmos de classificação baseados em aprendizado profundo (FCN básico, FCN-8S, ASPP, e Encoder-Decoder com ASPP da nossa abordagem) em conjuntos de treinamento em múltiplas etapas (original, MUS1, e MUS2) de imagens do WorldView-3 no sudeste do Planalto Qinghai-Tibet e imagens GF-2 no nordeste de Pequim para comparação. Os experimentos mostram que, em comparação com conjuntos existentes (original, MUS1, e idênticos) e método existente (ponderação de custo), o conjunto de treinamento MUS2 de amostragem em múltiplas etapas melhora significativamente o desempenho de classificação para classes minoritárias. Nossa abordagem demonstra vantagens distintas para dados desequilibrados.