En la revista “Scientific Reports” originaria de Reino Unido se publicó el artículo de investigación titulado “Leveraging U-Net and selective feature extraction for land cover classification using remote sensing imagery”, el cual fue desarrollado por Leo Thomas Ramos y Angel Sappa, cabe mencionar que esta revista está clasificada en el primer decil de citescore de scopus, posicionándose, así como una revista de alto impacto.
En este artículo se explora la mejora de la agricultura de U-Net mediante la integración de SK-ResNeXt como codificador para tareas de clasificación de la cubierta terrestre (LCC) utilizando imágenes multiespectrales (MSI), el SK-ResNeXt introduce cardinalidad y tamaños de núcleo adaptables y permite a U-Net capturar mejor las características multiescala y ajustarse más eficazmente a las variaciones en la resolución espacial, mejorando así la capacidad del modelo para segmentar tipos complejos de cobertura del suelo; para esta investigación se utilizó el conjunto de datos Five-Billion-Pixels, compuesto por 150 imágenes RGB-NIR a gran escala y más de 5.000 millones de píxeles etiquetados en 24 categorías. Esta investigación mostro como resultado mejoras notables con respecto a la U-Net de referencia, con ganancias del 5,312% en la precisión global (OA) y del 8,906% en la intersección media sobre la unión (mIoU) cuando se utiliza la configuración RGB y en RG-NIR, estas mejoras aumentan al 6,928% en OA y al 6,938% en mIoU, mientras que la configuración RGB-NIR produce ganancias del 5,854% en OA y del 7,794% en mIoU.
Como CIDIS, nos complace contar con el valioso conocimiento de ambos autores, destacados por su excelente labor investigativo y su importante contribución académica.
 |
 |
 |