Die Studie stellt einen neuartigen Rahmen vor, der den Univariaten Marginal Distribution Algorithm (UMDA) verwendet, um Spektralbänder aus Landsat-8-Satelliten auszuwählen und die Darstellung von Entwaldungsflächen zu optimieren. Dieser Auswahlprozess leitet eine semantische Segmentierungsarchitektur (DeepLabv3+) an, um ihre Leistung zu verbessern.
Die Ergebnisse zeigen, dass mehrere Bandkombinationen, die durch den UMDA-basierten Ansatz identifiziert wurden, eine höhere ausgeglichene Genauigkeit aufweisen als üblicherweise verwendete Kombinationen für die Entdeckung von Entwaldung. Darüber hinaus verbesserten die von der UMDA-basierten Methode identifizierten optimalen Bandkombinationen die Leistung der DeepLabv3+-Architektur und übertrafen die verglichenen State-of-the-Art-Ansätze.
Die Beobachtung, dass einige ausgewählte Bänder die Gesamtleistung übertreffen, widerspricht dem datengetriebenen Paradigma, das im Deep-Learning-Bereich vorherrscht. Dies deutet darauf hin, dass es eine Ausnahme von der gängigen Weisheit gibt, dass "mehr immer besser ist".
To Another Language
from source content
arxiv.org
Deeper Inquiries