జర్నల్ ఆఫ్ రిమోట్ సెన్సింగ్ & GIS

నైరూప్య

రిమోట్‌గా సెన్సెడ్ ఇమేజరీ నుండి ఎలక్ట్రిక్ వెహికల్ ఛార్జింగ్‌కు అనువైన ఇళ్లను గుర్తించడానికి మెషిన్ లెర్నింగ్ వర్గీకరణ

జేమ్స్ ఫ్లిన్, జియానెట్టి

గత దశాబ్దంలో, డీప్ కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌లు (DCNNలు) రిమోట్‌గా గ్రహించిన చిత్రాలను వర్గీకరించడానికి శక్తివంతమైన సాధనంగా ఉద్భవించాయి. ఈ మల్టీ-డిసిప్లినరీ పేపర్‌లో, ఎలక్ట్రిక్ వాహనాల ఛార్జింగ్‌కు సరిపోయే నివాస ప్రాపర్టీల కోసం పట్టణ ప్రాంతాలను సర్వే చేయడానికి వర్క్‌ఫ్లోను అభివృద్ధి చేయడం ద్వారా రిమోట్ సెన్సింగ్ రంగంలో మెషిన్ లెర్నింగ్ యొక్క కొత్త అప్లికేషన్‌ను మేము ప్రదర్శిస్తాము. రిమోట్‌గా గ్రహించిన ఇమేజ్ డేటాను విశ్లేషించడానికి ఒక కొత్త పద్ధతిగా ఫైన్-ట్యూన్ ట్రాన్స్‌ఫర్ లెర్నింగ్ అప్రోచ్ అందించబడింది. బహుళ UK పట్టణాలు మరియు నగరాల నుండి సేకరించిన Google స్ట్రీట్ వ్యూ చిత్రాలతో కూడిన ఒక ప్రత్యేకమైన డేటాసెట్ మూడు న్యూరల్ నెట్‌వర్క్‌లను సరిపోల్చడానికి శిక్షణ ఇవ్వడానికి ఉపయోగించబడుతుంది మరియు మెషిన్ లెర్నింగ్ ఉపయోగించి స్ట్రీట్‌స్కేప్ ఇమేజరీ నుండి రెసిడెన్షియల్ డ్రైవ్‌వేలను వర్గీకరించడానికి మొదటి ప్రయత్నాన్ని సూచిస్తుంది. రెండు పట్టణ ప్రాంతాలపై పూర్తి వర్క్‌ఫ్లోను పరీక్షించేటప్పుడు పూర్తి సిస్టమ్ వరుసగా 87.2% మరియు 89.3% ఖచ్చితత్వాన్ని సాధిస్తుంది. కాన్సెప్ట్ యొక్క ఈ రుజువు రిమోట్ సెన్సింగ్, జియోస్పేషియల్ అనాలిసిస్ మరియు అర్బన్ ప్లానింగ్ రంగంలో లోతైన అభ్యాసం యొక్క ఆశాజనకమైన కొత్త అనువర్తనాన్ని ప్రదర్శిస్తుంది.