랜드 커버 분류를 위한 그래디언트 부스팅 머신과 객체 기반 CNN

정규 합성곱 신경망(CNN)에서 완전 연결층은 분류 작업에서 각 인스턴스의 확률을 추정하기 위한 분류기로 작용합니다. CNN의 정확도는 완전 연결층을 그래디언트 부스팅 알고리즘으로 교체함으로써 향상될 수 있습니다. 이와 관련하여 본 연구는 베트남 하노이의 랜드 커버 연구를 위해 CNN과 결합된 세 가지 강력한 분류기인 XGBoost, LightGBM 및 Catboost를 조사합니다. 실험은 (1) 스펙트럼 정보와 공간 메트릭스를 포함한 이미지 분할 및 특징 추출, (2) 속성 값의 정규화 및 그래프 생성, (3) 여섯 개의 랜드 커버 클래스를 분류하기 위해 조사된 모델에 대한 입력 데이터셋으로 그래프를 사용하는 방식으로 SPOT7 이미지를 이용하여 수행되었습니다. 결과는 CNN 기반 XGBoost(전체 정확도 = 0.8905), LightGBM(0.8956), CatBoost(0.8956)가 비교를 위해 사용된 다른 방법보다 우수함을 보여줍니다. 객체 기반 이미지 분석과 CNN 기반 그래디언트 부스팅 알고리즘의 조합이 분류 정확도를 크게 향상시키며 랜드 커버 분석을 위한 대안 방법으로 간주될 수 있음을 알 수 있습니다.