Comparison of Deep Learning and Object-Based Image Classification Methods: Identification of Horses from RGB Imagery

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25410%2F25%3A39921812" target="_blank" >RIV/00216275:25410/25:39921812 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.sciencedirect.com/science/article/pii/S1877050925020769" target="_blank" >https://www.sciencedirect.com/science/article/pii/S1877050925020769</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.procs.2025.07.026" target="_blank" >10.1016/j.procs.2025.07.026</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Comparison of Deep Learning and Object-Based Image Classification Methods: Identification of Horses from RGB Imagery

Popis výsledku v původním jazyce

The paper describes the utilisation of remotely sensed RGB data to support routine monitoring of horses in a natural environment on demand. Data are sensed using an unmanned aerial vehicle (UAV). UAVs provide very high spatial resolution data sensed at a low altitude on demand. Sensing is limited by weather conditions and legal rules only. Terrain does not need to be accessible. The article provides a comparison of several classification methods, namely object-based classification methods and Deep Learning classification. Namely Maximum Likelihood, Random Trees, Support Vector Machine (SVM), K-Nearest Neighbour (K-NN) and Deep Learning models U-Net and Deep Lab version 3. Manual classification is used as the reference method.

Název v anglickém jazyce

Comparison of Deep Learning and Object-Based Image Classification Methods: Identification of Horses from RGB Imagery

Popis výsledku anglicky

The paper describes the utilisation of remotely sensed RGB data to support routine monitoring of horses in a natural environment on demand. Data are sensed using an unmanned aerial vehicle (UAV). UAVs provide very high spatial resolution data sensed at a low altitude on demand. Sensing is limited by weather conditions and legal rules only. Terrain does not need to be accessible. The article provides a comparison of several classification methods, namely object-based classification methods and Deep Learning classification. Namely Maximum Likelihood, Random Trees, Support Vector Machine (SVM), K-Nearest Neighbour (K-NN) and Deep Learning models U-Net and Deep Lab version 3. Manual classification is used as the reference method.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10200 - Computer and information sciences

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Procedia Computer Science: International Conference on Industry Sciences and Computer Science Innovation (iSCSi’24)

ISBN

—

ISSN

1877-0509

e-ISSN

1877-0509

Počet stran výsledku

8

Strana od-do

208-215

Název nakladatele

Elsevier B.V.

Místo vydání

Amsterdam

Místo konání akce

Porto

Datum konání akce

29. 10. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—