Simple Implementation of Terrain Classification Models via Fully Convolutional Neural Networks

Assiya Sarinova, Leila Rzayeva, Noyan Tendikov, Ibraheem Abdullah Mohammed Shayea

2023

DOI 10.1109/wincom59760.2023.10323012

Достоверность данных 70 средняя

Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

This paper introduces a simple implementation of three versions (large, medium, and small) of terrain multi-classification models using Fully Convolutional Neural Networks (FCNNs) for imagery data. The proposed methodology involves labeled and unlabeled data collection from European Space Agency (ESA) WorldCover and Sentinel-2 MultiSpectral Instrument (MSI) on the Google Earth Engine, compressing datasets into Tensorflow records format with 9 diverse terrain types, and handling Google Cloud training computations. There were prepared different dataset portions of 10 megabytes, 200 megabytes, and around a gigabyte files. The experimental results demonstrate the effectiveness of the CNN-based approach, achieving a tolerable 71% accuracy of the Terrain Classification Model (TCM) and robust classification performance. The simplicity and efficiency of the proposed method make it suitable for real-world applications requiring reliable and fast terrain classification.