Centre dedocumentation
scientifique

A deep 2D/3D Feature-Level fusion for classification of UAV multispectral imagery in urban areas / Hossein Pourazar in Geocarto international, vol 37 n° 23 ([15/10/2022])  

Public [article]  inGeocarto international > vol 37 n° 23 [15/10/2022] . - pp 6695 - 6712 Titre : A deep 2D/3D Feature-Level fusion for classification of UAV multispectral imagery in urban areas Type de document : Article/Communication Auteurs : Hossein Pourazar, Auteur ; Farhad Samadzadegan, Auteur ; Farzaneh Dadrass Javan, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 6695 - 6712 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] alignement des données [Termes IGN] classification par forêts d'arbres décisionnels [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] image captée par drone [Termes IGN] image multibande [Termes IGN] image proche infrarouge [Termes IGN] image RVB [Termes IGN] modèle numérique de surface [Termes IGN] orthophotoplan numérique [Termes IGN] zone urbaine Résumé : (auteur) In this paper, a deep convolutional neural network (CNN) is developed to classify the Unmanned Aerial Vehicle (UAV) derived multispectral imagery and normalized digital surface model (DSM) data in urban areas. For this purpose, a multi-input deep CNN (MIDCNN) architecture is designed using 11 parallel CNNs; 10 deep CNNs to extract the features from all possible triple combinations of spectral bands as well as one deep CNN dedicated to the normalized DSM data. The proposed method is compared with the traditional single-input (SI) and double-input (DI) deep CNN designations and random forest (RF) classifier, and evaluated using two independent test datasets. The results indicate that increasing the CNN layers parallelly augmented the classifier’s generalization and reduced overfitting risk. The overall accuracy and kappa value of the proposed method are 95% and 0.93, respectively, for the first test dataset, and 96% and 0.94, respectively, for the second test data set. Numéro de notice : A2022-749 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2021.1959655 Date de publication en ligne : 04/08/2021 En ligne : https://doi.org/10.1080/10106049.2021.1959655 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101741 [article]