Cristin-resultat-ID: 1658459
Sist endret: 16. januar 2019 14:49
NVI-rapporteringsår: 2018
Resultat
Vitenskapelig Kapittel/Artikkel/Konferanseartikkel
2018

Remote sensing image regression for heterogeneous change detection

Bidragsytere:
  • Luigi Tommaso Luppino
  • Filippo Maria Bianchi
  • Gabriele Moser og
  • Stian Normann Anfinsen

Bok

2018 IEEE 28th International Workshop on Machine Learning for Signal Processing (MLSP)
ISBN:
  • 978-1-5386-5477-4

Utgiver

IEEE Signal Processing Society
NVI-nivå 1

Om resultatet

Vitenskapelig Kapittel/Artikkel/Konferanseartikkel
Publiseringsår: 2018
Antall sider: 6
ISBN:
  • 978-1-5386-5477-4

Importkilder

Scopus-ID: 2-s2.0-85057057151

Klassifisering

Vitenskapsdisipliner

Informasjons- og kommunikasjonsvitenskap

Emneord

Bildebehandling • Mønstergjenkjenning • Maskinlæring • Kunstig intelligens

Fagfelt (NPI)

Fagfelt: Tverrfaglig teknologi
- Fagområde: Realfag og teknologi

Beskrivelse Beskrivelse

Tittel

Remote sensing image regression for heterogeneous change detection

Sammendrag

Change detection in heterogeneous multitemporal satellite images is an emerging topic in remote sensing. In this paper we propose a framework, based on image regression, to perform change detection in heterogeneous multitemporal satellite images, which has become a main topic in remote sensing. Our method learns a transformation to map the first image to the domain of the other image, and vice versa. Four regression methods are selected to carry out the transformation: Gaussian processes, support vector machines, random forests, and a recently proposed kernel regression method called homogeneous pixel transformation. To evaluate not only potentials and limitations of our framework, but also the pros and cons of each regression method, we perform experiments on two data sets. The results indicates that random forests achieve good performance, are fast and robust to hyperparameters, whereas the homogeneous pixel transformation method can achieve better accuracy at the cost of a higher complexity.

Bidragsytere

Luigi Tommaso Luppino

  • Tilknyttet:
    Forfatter
    ved Institutt for fysikk og teknologi ved UiT Norges arktiske universitet

Filippo Maria Bianchi

  • Tilknyttet:
    Forfatter
    ved Institutt for fysikk og teknologi ved UiT Norges arktiske universitet

Gabriele Moser

  • Tilknyttet:
    Forfatter
    ved Università degli Studi di Genova
Aktiv cristin-person

Stian Normann Anfinsen

  • Tilknyttet:
    Forfatter
    ved Institutt for fysikk og teknologi ved UiT Norges arktiske universitet
1 - 4 av 4

Resultatet er en del av Resultatet er en del av

2018 IEEE 28th International Workshop on Machine Learning for Signal Processing (MLSP).

IEEE, Signal Processing Society. 2018, IEEE Signal Processing Society. Vitenskapelig antologi/Konferanseserie
1 - 1 av 1