| 1. Identificação | ||||
| Tipo de Referência | Artigo em Revista Científica (Journal Article) | |||
| Site | mtc-m21c.sid.inpe.br | |||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||
| Identificador | 8JMKD3MGP3W34R/43T9E9E | |||
| Repositório | sid.inpe.br/mtc-m21c/2021/01.05.14.44 (acesso restrito) | |||
| Última Atualização | 2021:01.05.14.44.08 (UTC) simone | |||
| Repositório de Metadados | sid.inpe.br/mtc-m21c/2021/01.05.14.44.08 | |||
| Última Atualização dos Metadados | 2022:04.03.22.28.00 (UTC) administrator | |||
| DOI | 10.1016/j.isprsjprs.2020.11.007 | |||
| ISSN | 0924-2716 | |||
| Chave de Citação | MartinezLaRFeiSanHap:2021:FuCoRe | |||
| Título | Fully convolutional recurrent networks for multidate crop recognition from multitemporal image sequences  | |||
| Ano | 2021 | |||
| Mês | Jan. | |||
| Data de Acesso | 20 maio 2024 | |||
| Tipo de Trabalho | journal article | |||
| Tipo Secundário | PRE PI | |||
| Número de Arquivos | 1 | |||
| Tamanho | 4667 KiB | |||
| 2. Contextualização | ||||
| Autor | 1 Martinez, Jorge Andres Chamorro 2 La Rosa, Laura Elena Cué 3 Feitosa, Raul Queiroz 4 Sanches, Ieda Del'Arco 5 Happ, Patrick Nigri | |||
| Grupo | 1 2 3 4 DIOTG-CGCT-INPE-MCTI-GOV-BR | |||
| Afiliação | 1 Pontificia Universidade Católica do Rio de Janeiro (PUC-Rio) 2 Pontificia Universidade Católica do Rio de Janeiro (PUC-Rio) 3 Pontificia Universidade Católica do Rio de Janeiro (PUC-Rio) 4 Instituto Nacional de Pesquisas Espaciais (INPE) 5 Pontificia Universidade Católica do Rio de Janeiro (PUC-Rio) | |||
| Endereço de e-Mail do Autor | 1 jchamorro@ele.puc-rio.br 2 lauracue@ele.puc-rio.br 3 raul@ele.puc-rio.br 4 ieda.sanches@inpe.br 5 patrick@ele.puc-rio.br | |||
| Revista | ISPRS Journal of Photogrammetry and Remote Sensing | |||
| Volume | 171 | |||
| Páginas | 188-201 | |||
| Nota Secundária | A1_GEOCIÊNCIAS A2_INTERDISCIPLINAR A2_CIÊNCIAS_AMBIENTAIS B1_ENGENHARIAS_IV B1_BIODIVERSIDADE C_CIÊNCIAS_AGRÁRIAS_I | |||
| Histórico (UTC) | 2021-01-05 14:44:09 :: simone -> administrator :: 2021-01-05 14:44:10 :: administrator -> simone :: 2021 2021-01-05 14:45:19 :: simone -> administrator :: 2021 2022-04-03 22:28:00 :: administrator -> simone :: 2021 | |||
| 3. Conteúdo e estrutura | ||||
| É a matriz ou uma cópia? | é a matriz | |||
| Estágio do Conteúdo | concluido | |||
| Transferível | 1 | |||
| Tipo do Conteúdo | External Contribution | |||
| Tipo de Versão | publisher | |||
| Palavras-Chave | Convolutional recurrent networks Fully convolutional networks Recurrent networks Crop recognition Deep learning Remote sensing | |||
| Resumo | Crop recognition in tropical regions is a challenging task because of the highly complex crop dynamics, with multiple crops per year. Nevertheless, most automatic methods proposed thus far are devoted to temperate areas where normally a single crop is cultivated along the crop year. This paper introduces convolutional recurrent networks for crop recognition in areas characterized by complex spatiotemporal dynamics typical of tropical agriculture, where a per date classification is required. The proposed networks consist of two sequential steps. First, a deep network simultaneously models spatial and temporal contexts. Second, a post-processing algorithm enforces prior knowledge about the crop dynamics in the target area based on the posterior probabilities computed in the first step. The paper proposes deep network architectures that join a fully convolutional network (FCN) for modeling spatial context at multiple levels and a bidirectional recurrent neural network to explore the temporal context. The recurrent network is configured as N-to-N, where N is the sequence length. This allows it to produce classification outcomes for the entire sequence of multi-temporal images using a single network. Different network designs are proposed based on three FCN architectures: U-Net, dense network, and Atrous Spatial Pyramid Pooling. A convolutional Long-Short-Term-Memory (ConvLSTM) accounts for sequence modeling, whereas the Most Likely Class Sequence (MLCS) algorithm is adopted for enforcing prior knowledge. The paper finally reports experiments conducted on Sentinel-1 data of two publicly available datasets from different tropical regions. The experimental results indicated that the proposed architectures outperformed state-of-the-art methods based on recurrent networks in terms of Overall Accuracy and per-class F1 score. | |||
| Área | SRE | |||
| Arranjo | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > Fully convolutional recurrent... | |||
| Conteúdo da Pasta doc | acessar | |||
| Conteúdo da Pasta source | não têm arquivos | |||
| Conteúdo da Pasta agreement |
| |||
| 4. Condições de acesso e uso | ||||
| Idioma | en | |||
| Arquivo Alvo | martinez_fully.pdf | |||
| Grupo de Usuários | simone | |||
| Grupo de Leitores | administrator simone | |||
| Visibilidade | shown | |||
| Política de Arquivamento | denypublisher denyfinaldraft24 | |||
| Permissão de Leitura | deny from all and allow from 150.163 | |||
| Permissão de Atualização | não transferida | |||
| 5. Fontes relacionadas | ||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/46KUATE | |||
| Divulgação | WEBSCI; PORTALCAPES; COMPENDEX; SCOPUS. | |||
| Acervo Hospedeiro | urlib.net/www/2017/11.22.19.04 | |||
| 6. Notas | ||||
| Campos Vazios | alternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel e-mailaddress format isbn label lineage mark mirrorrepository nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress project resumeid rightsholder schedulinginformation secondarydate secondarykey session shorttitle sponsor subject tertiarymark tertiarytype url | |||
| 7. Controle da descrição | ||||
| e-Mail (login) | simone | |||
| atualizar | ||||