Back to Search Start Over

Combining transductive and active learning to improve object-based classification of remote sensing images

Combining transductive and active learning to improve object-based classification of remote sensing images

Authors :
Fabio Güttler
Dino Ienco
Maguelonne Teisseire
Pascal Poncelet
Littoral, Environnement, Télédétection, Géomatique (LETG - Brest)
Littoral, Environnement, Télédétection, Géomatique UMR 6554 (LETG)
Université de Caen Normandie (UNICAEN)
Normandie Université (NU)-Normandie Université (NU)-Université d'Angers (UA)-École pratique des hautes études (EPHE)
Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Université de Brest (UBO)-Université de Rennes 2 (UR2)
Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Centre National de la Recherche Scientifique (CNRS)-Institut de Géographie et d'Aménagement Régional de l'Université de Nantes (IGARUN)
Université de Nantes (UN)-Université de Nantes (UN)-Université de Caen Normandie (UNICAEN)
Université de Nantes (UN)-Université de Nantes (UN)
ADVanced Analytics for data SciencE (ADVANSE)
Laboratoire d'Informatique de Robotique et de Microélectronique de Montpellier (LIRMM)
Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM)
Territoires, Environnement, Télédétection et Information Spatiale (UMR TETIS)
Institut national de recherche en sciences et technologies pour l'environnement et l'agriculture (IRSTEA)-AgroParisTech-Centre National de la Recherche Scientifique (CNRS)-Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)
ANR-10-EQPX-0020,GEOSUD,GEOSUD : Infrastructure nationale d'imagerie satellitaire pour la recherche sur l'environnement et les territoires et ses applications à la gestion et aux politiques publiques(2010)
Centre National de la Recherche Scientifique (CNRS)-Université de Rennes 2 (UR2)
Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Université de Brest (UBO)-École pratique des hautes études (EPHE)-Université de Nantes (UN)-Université d'Angers (UA)-Université de Caen Normandie (UNICAEN)
Normandie Université (NU)-Normandie Université (NU)-Centre National de la Recherche Scientifique (CNRS)-Université de Rennes 2 (UR2)
Normandie Université (NU)-Normandie Université (NU)
Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS)
Institut national de recherche en sciences et technologies pour l'environnement et l'agriculture (IRSTEA)-Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-AgroParisTech-Centre National de la Recherche Scientifique (CNRS)
ANR-10-EQPX-0020/10-EQPX-0020,GEOSUD,GEOSUD : Infrastructure nationale d’imagerie satellitaire pour la recherche sur l’environnement et les territoires et ses applications à la gestion et aux politiques publiques(2010)
Source :
Remote Sensing Letters, Remote Sensing Letters, Taylor and Francis, 2016, 7 (4), pp.358-367. ⟨10.1080/2150704X.2016.1142678⟩
Publication Year :
2016
Publisher :
HAL CCSD, 2016.

Abstract

International audience; In this letter, we propose a new active transductive learning (ATL) framework for object-based classification of satellite images. The framework couples graph-based label propagation with active learning (AL) to exploit positive aspects of the two learning settings. The transductive approach considers both labelled and unlabelled image objects to perform its classification as they are all available at training time while the AL strategy smartly guides the construction of the training set employed by the learner. The proposed framework was tested in the context of a land cover classification task using RapidEye optical imagery. A reference land cover map was elaborated over the whole study area in order to get reliable information about the performance of the ATL framework. The experimental evaluation under- lines that, with a reasonable amount of training data, our framework outperforms state of the art classification methods usually employed in the field of remote sensing.

Details

Language :
English
ISSN :
2150704X and 21507058
Database :
OpenAIRE
Journal :
Remote Sensing Letters, Remote Sensing Letters, Taylor and Francis, 2016, 7 (4), pp.358-367. ⟨10.1080/2150704X.2016.1142678⟩
Accession number :
edsair.doi.dedup.....d6bde7d096e869c252499f369866a230
Full Text :
https://doi.org/10.1080/2150704X.2016.1142678⟩