A study of combination of autoencoders and boosted Big-Bang crunch theory architectures for Land-Use classification using remotely sensed imagery

The research introduced a new method for land-use classification by merging deep convolutional neural networks with a modified variant of a metaheuristic optimization technique. The methodology involved utilizing the VGG-19 model for feature extraction, dimensionality reduction, and a stacked autoen...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Scientific reports Ročník 15; číslo 1; s. 15428 - 18
Hlavní autoři:	Xiong, Qiongbing, Wu, Xuecheng, Yu, Cizhen, Hosseinzadeh, Hasan
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	London Nature Publishing Group UK 02.05.2025 Nature Publishing Group Nature Portfolio
Témata:	639/166 639/4077 Accuracy Boosted Big-Bang crunch theory Classification Datasets Deep learning Humanities and Social Sciences Land use Land use classification Metaheuristic multidisciplinary Neural networks Optimization techniques Remote sensing Science Science (multidisciplinary) Stacked autoencoder VGG-19 Deep learning Stacked autoencoder Boosted Big-Bang crunch theory Land-use classification Metaheuristic VGG-19
ISSN:	2045-2322, 2045-2322
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!