Segmentação semântica de conjunto aberto para reconhecimento de corte multitemporal
Martinez, Chamorro; A., Jorge; Oliveira, Hugo; Santos, Jefersson Alex Dos; Feitosa, Raul Queiroz.
IEEE Geoscience and Remote Sensing Letters, 19 , pp. 1-5, 2021.
http://dx.doi.org/10.1109/lgrs.2021.3113828
Resumo
Imagens multitemporais de sensoriamento remoto desempenham um papel fundamental como fonte de informação para mapeamento e monitoramento automatizado de culturas. A evolução do padrão espacial/espectral ao longo do tempo fornece informações sobre a dinâmica das culturas e é muito útil para estimativa de produtividade. Embora o mapeamento multitemporal das culturas tenha progredido consideravelmente com o advento do aprendizado profundo nos últimos anos, os modelos de classificação obtidos ainda apresentam limitações quando expostos a classes desconhecidas na fase de predição, reduzindo sua utilidade. Por outras palavras, estes modelos são treinados para identificar um conjunto fechado de culturas (por exemplo, soja e cana-de-açúcar) e, portanto, são incapazes de reconhecer outros tipos de culturas (por exemplo, milho). Nesta carta, lidamos com os desafios do reconhecimento multitemporal de culturas propondo uma nova abordagem chamada OpenPCS++ que não só é capaz de aprender classes conhecidas, mas também é capaz de identificar novas culturas na fase de previsão. A abordagem proposta foi avaliada em dois conjuntos de dados públicos desafiadores localizados em climas tropicais no Brasil. Os resultados mostraram que o OpenPCS++ alcançou aumentos de até 0,19 em termos de área sob a curva característica de operação do receptor (ROC) em comparação com as linhas de base. O código está disponível em https://github.com/DiMorten/osss-mcr.