Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Τεχνικές αραιών αναπαραστάσεων και εφαρμογή τους σε προβλήματα μηχανικής μάθησης και τηλεπισκόπησης

Karalas Konstantinos

Πλήρης Εγγραφή

---

Περίληψη

Οι χάρτες κάλυψης της γης είναι αποφασιστικής σημασίας για την παρακολούθηση του περιβάλλοντος και της αστικής ανάπτυξης μεταξύ άλλων. Δυστυχώς, για να παραχθούν τέτοιοι χάρτες απαιτείται σημαντική και εντατική ανθρωποπροσπάθεια για τον κατάλληλο σχολιασμό τους μέσα από μελέτες. Κατά έναν ενδιαφέροντα τρόπο, από την άλλη πλευρά, υψηλής ανάλυσης απεικονιστικά συστήματα που βρίσκονται πάνω σε εναέριες και διαστημικές πλατφόρμες, αντλούν πλούσια πληροφορία από μέρη του ηλεκτρομαγνητικού φάσματος που το ανθρώπινο μάτι δε μπορεί να διακρίνει. Αυτές οι τηλεπισκοπικές εικόνες μπορούν να χρησιμοποιηθούν για να ξεπεραστούν τα θέματα που σχετίζονται με τις μελέτες, παρέχοντας παγκόσμιους και ενημερωμένους χάρτες κάλυψης γης. Συνήθως, κατά τη διαδικασία χαρτογράφησης, κάθε τηλεπισκοπικό εικονοστοιχείο ταξινομείται σε μία κλάση, οδηγώντας σε πολύ αδρές αναπαραστάσεις. Τα τελευταία χρόνια, η ανάπτυξη του ισχυρού πλαισίου της εκμάθησης πολλαπλών ετικετών, όπου τα δείγματα μπορούν να συσχετιστούν με πολλές ετικέτες ταυτόχρονα, έχει εφαρμοστεί με επιτυχία σε διάφορα σενάρια υπολογιστικής όρασης. Μέρος της επιτυχίας αυτής αποδίδεται και στην ανάπτυξη χειροποίητων χαρακτηριστικών τα οποία μπορούν να δώσουν δραματική ώθηση στην απόδοση κάτω από συγκεκριμένες συνθήκες, παρόλο που αυτά τα χαρακτηριστικά είναι πολύ εξειδικευμένα και στερούνται καθολικότητας.Η παρούσα διπλωματική εργασία θέτει στόχο την εισαγωγή μιας ριζικά νέας προσέγγισης για να συνάγει τους σύνθετους δεσμούς μεταξύ των επίκτητων δορυφορικών εικόνων και των φασματικών υπογραφών από διαφορετικά είδη υλικών που βρίσκονται στην επιφάνεια της γης, αξιοποιώντας την ολοένα μεγαλύτερη διαθεσιμότητα τηλεπισκοπικών εικόνων μέσα από την εισαγωγή της ταξινόμησης που συνδέεται με παραπάνω από μία ετικέτες. Η υιοθέτηση αυτού του σχήματος παρέχει μία γνήσια απάντηση στο πρόβλημα ασυμβατότητας της κλίμακας μεταξύ των τηλεπισκοπικών εικόνων και των χερσαίων μετρήσεων, αφού εκ φύσεως διατίθενται σε διαφορετικές χωρικές αναλύσεις. Επιπλέον, αντί να στηριζόμαστε στα εξειδικευμένα χαρακτηριστικά, προτείνουμε την εφαρμογή της βαθιάς μάθησης χαρακτηριστικών με στοιβαγμένους αραιούς αυτοκωδικοποιητές, έτσι ώστε να εξάγουμε αυτόματα χαρακτηριστικά μεστού περιεχομένου ικανά να αναγνωρίσουν τους διευκρινιστικούς παράγοντες που υποκρύπτονται σε χαμηλού επιπέδου δορυφορικά δεδομένα.Για την επικύρωση των πλεονεκτημάτων της προσέγγισής μας, θεωρούμε αληθινά και σύγχρονα δεδομένα από τον Ευρωπαϊκό Οργανισμό Περιβάλλοντος για τη δημιουργία του πίνακα αληθείας, και πολυφασματικές εικόνες από τον Μέτριας-ανάλυσης Οπτικό Φασματοφωτομετρικό αισθητήρα για την εξαγωγή των χαρακτηριστικών. Παρουσιάζουμε αποτελέσματα χρησιμοποιώντας μερικούς ταξινομητές μάθησης πολλαπλών ετικετών τελευταίας τεχνολογίας, των οποίων η προβλεπτική ικανότητα αξιολογείται σε διάφορες απαιτητικές συνθήκες, συμπεριλαμβανομένων περιπτώσεων όπου η εκπαίδευση εντοπίζεται σε συγκεκριμένο τόπο και χρόνο, ενώ η εξέταση λαμβάνει χώρα σε διαφορετική τοποθεσία ή χρονική στιγμή. Τα πειραματικά αποτελέσματα αποδεικνύουν πως το προτεινόμενο πλαίσιο μπορεί να επιτύχει μια άριστη ακρίβεια πρόβλεψης, ακόμη και με έναν περιορισμένο αριθμό διαφορετικών δειγμάτων εκπαίδευσης, ενώ η εφαρμογή της εκμάθησης χαρακτηριστικών οδηγεί σε πιο αντιπροσωπευτικά χαρακτηριστικά που μπορούν να δώσουν σημαντική ώθηση στην απόδοση σε προβλήματα πολλαπλών ετικετών.

Διαθέσιμα αρχεία

Υπηρεσίες