Sparse Coding-Based Method Comparison For Land-Use Classification

Abstract

Land-use classification utilize high-resolution remote sensing image. The image is utilized for improving the classification problem. Nonetheless, in other side, the problem becomes more challenging cause the image is too complex. We have to represent the image appropriately. On of the common method to deal with it is Bag of Visual Word (BOVW). The method needs a coding process to get the final data interpretation. There are many methods to do coding such as Hard Quantization Coding (HQ), Sparse Coding (SC), and Locality-constrained Linear Coding (LCC). However, that coding methods use a different assumption. Therefore, we have to compare the result of each coding method. The coding method affects classification accuracy. The best coding method will produce the better classification result. Dataset UC Merced consisted 21 classes is used in this research. The experiment result shows that LCC got better performance / accuracy than SC and HQ. LCC method got 86.48 % accuracy. Furthermore, LCC also got the best performance on various number of training data for each class. Keywords: Land-use classification, high-resolution remote sensing image, Bag of Visual Word (BOVW), Sparse Coding (SC), Hard Quantization Coding (HQ) AbstrakKlasifikasi penggunaan lahan memanfaatkan gambar penginderaan jauh beresolusi tinggi. Citra digunakan untuk memperbaiki masalah klasifikasi. Meski begitu, di sisi lain, masalahnya menjadi lebih menantang karena gambarnya terlalu rumit. Kita harus mewakili gambar dengan tepat. Pada metode yang umum untuk mengatasinya adalah Bag of Visual Word (BOVW). Metode ini membutuhkan proses pengkodean untuk mendapatkan interpretasi data akhir. Ada banyak metode untuk melakukan pengkodean seperti Hard Quantization Coding (HQ), Sparse Coding (SC), dan Locality-constrained Linear Coding (LCC). Namun, metode pengkodean itu menggunakan asumsi yang berbeda. Oleh karena itu, kita harus membandingkan hasil setiap metode pengkodean. Metode pengkodean mempengaruhi akurasi klasifikasi. Metode pengkodean terbaik akan menghasilkan hasil klasifikasi yang lebih baik. Dataset UC Merced terdiri dari 21 kelas yang digunakan dalam penelitian ini. Hasil percobaan menunjukkan bahwa LCC memiliki kinerja / akurasi yang lebih baik daripada SC dan HQ. Metode LCC mendapat akurasi 86,48%. Selanjutnya, LCC juga mendapat performa terbaik pada berbagai jumlah data pelatihan untuk masing-masing kelas. Kata Kunci: Klasifikasi penggunaan lahan, citra penginderaan jauh beresolusi tinggi, Bag of Visual Word (BOVW), Sparse Coding (SC), Hard Quantization Coding (HQ)