Eredeti címe:
Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification
Könyv tartalma:
Ez a könyv a legmodernebb képosztályozási módszereket mutatja be a földi objektumok megkülönböztetésére távérzékelési műholdas adatokból, különös tekintettel a fuzzy gépi tanulásra és a mélytanulási algoritmusokra. Mindkét algoritmustípus olyan részletességgel kerül ismertetésre, hogy ezek közvetlenül megvalósíthatók többosztályos vagy meghatározott osztályú földtakaró tematikus térképezéséhez multispektrális optikai távérzékelési adatokból. Ezek az algoritmusok a több időpontot és több érzékelőt tartalmazó távérzékeléssel együtt képesek egy adott osztály meghatározott szakaszának (pl. a termesztett növénykultúra fenológiájának) megfigyelésére is. Ezekkel a képességekkel a fuzzy gépi tanulási algoritmusok komoly alkalmazásokat jelentenek olyan területeken, mint a termésbiztosítás, az erdőtüzek feltérképezése, az avarégetés, a katasztrófák utáni kártérképezés stb. A cikk gyakorlati példákkal alátámasztva részletesen ismerteti a javasolt osztályalapú érzékelőfüggetlen (CBSI) megközelítést alkalmazó időindex-adatbázist is. Ez a könyv más kapcsolódó algoritmusokkal is foglalkozik, amelyek távolságon, kernel-alapú, valamint térbeli információn alapulnak a Markov Random Field (MRF)/Local convolution módszereken keresztül a vegyes pixelek, a nemlinearitás és a zajos pixelek kezelésére.
Továbbá ez a könyv a puha osztályozásból származó kimenetek kvantitatív értékelésének technikáiról szól, és a házon belül kifejlesztett, szubpixeles multispektrális képosztályozó (SMIC) nevű eszközzel támogatott. A könyv célja a földmegfigyelés és a műholdas képfeldolgozás területén dolgozó diplomás, posztgraduális, kutatói és dolgozó szakemberek, például a geoinformatikai tudományok, a földrajz, a villamosságtan, az elektronika és a számítástechnika stb. különböző ágaiban. A könyvben tárgyalt tanulási algoritmusok más kapcsolódó területeken is hasznosak lehetnek, például az orvosi képalkotásban. Összességében e könyv céljai:
⬤ kizárólag a fuzzy osztályozási algoritmusok széles körének távérzékelési képekhez való használatára összpontosít;
⬤ az ANN, CNN, RNN és hibrid tanulási osztályozók távérzékelési képeken történő alkalmazásának tárgyalása;
⬤ leírja a szubpixeles, több spektrumú képosztályozó eszközt (SMIC) a tárgyalt fuzzy és tanuló algoritmusok támogatására;
⬤ magyarázza el, hogyan lehet értékelni a lágy osztályozott kimeneteket mint frakcióképeket a fuzzy hibamátrix (FERM) és annak továbbfejlesztett változatai segítségével a FERM eszközzel, az entrópia, a korrelációs együttható, a négyzetes hiba középértékének gyökere és a Receiver Operating Characteristic (ROC) módszerekkel és;
⬤ Az algoritmusok magyarázatát esettanulmányokkal és gyakorlati alkalmazásokkal kombinálja.
