就基于像素的分类而言,您很满意。每个像素都是一个n维向量,并且将根据某种度量将其分配给某个类别,无论使用支持向量机,MLE,某种knn分类器等。
但是,就基于区域的分类器而言,近几年有了巨大的发展,这归功于GPU,大量数据,云和算法的广泛应用(由于开放源代码的增长)的组合(促进由github)。卷积神经网络(CNN)是计算机视觉/分类领域的最大发展之一。与传统的基于像素的分类器一样,卷积层“学习”可能基于颜色的特征,但还会创建边缘检测器和可能存在于像素区域中的所有其他特征提取器(因此卷积部分)永远无法从基于像素的分类中提取。这意味着他们不太可能在其他类型的像素区域的中间对像素进行错误分类-如果您曾经进行过分类并且在亚马逊区域的中间结冰,您将理解此问题。
然后,您将完全连接的神经网络应用于通过卷积学习的“特征”,从而进行实际分类。CNN的另一个重大优点之一是它们的缩放比例和旋转不变性,因为通常在卷积层和分类层之间存在中间层,这些中间层使用池化和漏失来概括特征,以避免过度拟合并解决周围的问题规模和方向。
卷积神经网络上有很多资源,尽管最好的是来自该领域的先驱之一的Andrei Karpathy的Standord类,并且整个演讲系列都可以在youtube上获得。
当然,还有其他方法可以处理基于像素与区域的分类,但这是目前的最新方法,除遥感分类之外,还有许多应用,例如机器翻译和自动驾驶汽车。
这是基于区域的分类的另一个示例,该示例使用Open Street Map获取标记的训练数据,包括有关设置TensorFlow并在AWS上运行的说明。
这是一个使用Google Earth Engine基于边缘检测的分类器的示例,在本例中为枢轴灌溉-仅使用了高斯核和卷积,但是再次显示了基于区域/边缘的方法的强大功能。
尽管对象相对于基于像素的分类的优越性已被广泛接受,但《遥感快报》上的一篇有趣的文章评估了基于对象的分类的性能。
最后,一个有趣的例子,只是表明即使使用基于区域/卷积的分类器,计算机视觉仍然非常困难-幸运的是,Google,Facebook等最聪明的人正在研究能够确定两者之间差异的算法。狗,猫和不同品种的狗和猫。因此,对遥感感兴趣的使用者可以在晚上轻松入睡:D