Bei der pixelbasierten Klassifizierung sind Sie genau richtig. Jedes Pixel ist ein n-dimensionaler Vektor und wird einer Klasse gemäß einer Metrik zugewiesen, unabhängig davon, ob Support Vector Machines, MLE, eine Art Knn-Klassifikator usw. verwendet werden.
Bezüglich regionaler Klassifikatoren gab es in den letzten Jahren jedoch enorme Entwicklungen, die auf einer Kombination von GPUs, riesigen Datenmengen, der Cloud und einer breiten Verfügbarkeit von Algorithmen aufgrund des Wachstums von Open Source (erleichtert) beruhten von github). Eine der größten Entwicklungen im Bereich der Bildverarbeitung / Klassifizierung betraf neuronale Faltungsnetze (CNNs).. Die Faltungsebenen "lernen" Merkmale, die wie bei herkömmlichen pixelbasierten Klassifizierern auf Farbe basieren können, erstellen aber auch Kantendetektoren und alle Arten anderer Merkmalsextraktoren, die in einem Pixelbereich (daher der Faltungsteil) vorhanden sein können könnte niemals aus einer pixelbasierten Klassifikation extrahieren. Dies bedeutet, dass die Wahrscheinlichkeit geringer ist, dass ein Pixel in der Mitte eines Bereichs von Pixeln eines anderen Typs falsch klassifiziert wird. Wenn Sie jemals eine Klassifizierung durchgeführt haben und mitten im Amazonasgebiet Eis gefunden haben, werden Sie dieses Problem verstehen.
Anschließend wenden Sie ein vollständig verbundenes neuronales Netz auf die "Merkmale" an, die über die Faltungen gelernt wurden, um die Klassifizierung tatsächlich durchzuführen. Einer der anderen großen Vorteile von CNNs besteht darin, dass sie skalierungs- und rotationsunabhängig sind, da normalerweise Zwischenschichten zwischen den Faltungsschichten und der Klassifizierungsschicht vorhanden sind, die Merkmale mithilfe von Pooling und Dropout verallgemeinern, um eine Überanpassung zu vermeiden, und bei den damit verbundenen Problemen helfen Maßstab und Orientierung.
Es gibt zahlreiche Ressourcen für neuronale Faltungsnetze, wobei die Standord-Klasse von Andrei Karpathy die beste sein muss , der einer der Pioniere auf diesem Gebiet ist, und die gesamte Vorlesungsreihe auf youtube verfügbar ist .
Sicher, es gibt andere Möglichkeiten, mit der Klassifizierung von Pixeln im Vergleich zur flächenbasierten Klassifizierung umzugehen, aber dies ist derzeit der Stand der Technik und es gibt viele Anwendungen, die über die Klassifizierung der Fernerkundung hinausgehen, z. B. maschinelle Übersetzung und selbstfahrende Autos.
Hier ist ein weiteres Beispiel für eine regionale Klassifizierung unter Verwendung von Open Street Map für markierte Trainingsdaten, einschließlich Anweisungen zum Einrichten von TensorFlow und zur Ausführung unter AWS.
Hier ist ein Beispiel für die Verwendung der Google Earth Engine eines Klassifikators auf Basis der Kantenerkennung, in diesem Fall für die Pivot-Bewässerung. Dabei werden nur ein Gauß-Kernel und Faltungen verwendet, aber auch hier wird die Leistungsfähigkeit von auf Regionen und Kanten basierenden Ansätzen gezeigt.
Während die Überlegenheit von Objekten gegenüber der pixelbasierten Klassifizierung weitgehend akzeptiert wird, finden Sie hier einen interessanten Artikel in Fernerkundungsbriefen , in dem die Leistung der objektbasierten Klassifizierung bewertet wird .
Ein amüsantes Beispiel, um zu zeigen, dass die Bildverarbeitung trotz regionaler / konvolutionsbasierter Klassifikatoren immer noch sehr schwierig ist - zum Glück arbeiten die schlauesten Leute bei Google, Facebook usw. an Algorithmen, um den Unterschied zwischen diesen zu bestimmen Hunde, Katzen und verschiedene Rassen von Hunden und Katzen. So können Benutzer, die sich für Fernerkundung interessieren, nachts problemlos schlafen: D
