http://147.102.106.44/rs/wiki/index.php?feed=atom&target=Dimitris_Delipetros&title=%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C%3A%CE%A3%CF%85%CE%BD%CE%B5%CE%B9%CF%83%CF%86%CE%BF%CF%81%CE%AD%CF%82%2FDimitris_Delipetros 2026-04-28T00:10:55Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:21:40Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> <br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%91%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CE%BC%CE%B5%CF%84%CE%B1%CE%BE%CF%8D_%CE%99%CF%83%CF%84%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%A7%CE%B1%CF%81%CF%84%CF%8E%CE%BD_%CE%A7%CF%81%CE%AE%CF%83%CE%B7%CF%82_%CE%93%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%A3%CF%8D%CE%B3%CF%87%CF%81%CE%BF%CE%BD%CF%89%CE%BD_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%95%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD 2025-01-16T15:20:53Z

<p>Dimitris Delipetros: </p> <hr /> <div>'''Πρωτότυπος τίτλος: Cross-modal change detection using historical land use maps and current remote sensing images'''<br /> <br /> ''Συγγραφείς: Kai Denga, Xiangyun Hua,b,∗, Zhili Zhanga, Bo Sua, Cunjun Fengc, Yuanzeng Zhand, Xingkun Wange, Yansong Duan <br /> <br /> Πηγή: School of Remote Sensing and Information Engineering, Wuhan University, Wuhan, 430079, Hubei, PR China ,Hubei Luojia Laboratory, Wuhan, 430079, Hubei, PR China c Zhejiang Academy of Surveying and Mapping, No. 2 Dixin Road, Yuhang District, Hangzhou, 310000, Zhejiang, PR China d Zhejiang Application Center of Nature Resources Satellite Technology, No. 2 Dixin Road, Yuhang District, Hangzhou, 310000, Zhejiang, PR China e Key Laboratory of National Geographic Census and Monitoring, MNR, No. 2 Dixin Road, Yuhang District, Hangzhou, 310000, Zhejiang, PR China<br /> <br /> Λέξεις κλειδιά: Historical land use maps, Remote sensing images, Deep learning, Cross-modal change detection<br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://www.sciencedirect.com/science/article/pii/S1877050924010317''<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η παρακολούθηση των αλλαγών στη χρήση γης, ιδιαίτερα όσον αφορά την κατασκευή, θεωρείται γενικά βασικός δείκτης αστικής ανάπτυξης (Huang et al., 2020). Η αστική εξάπλωση και η αύξηση του πληθυσμού συχνά οδηγούν σε ακατάλληλη χρήση φυσικών εκτάσεων και παράνομες κατασκευές (Singh, 1989), οι οποίες μπορούν να βλάψουν σοβαρά τα φυσικά οικοσυστήματα και να διαταράξουν την οικολογική ισορροπία. Αυτές οι διαταραχές υποβαθμίζουν όχι μόνο την περιβαλλοντική ποιότητα αλλά και απειλούν τα ανθρώπινα οικοσυστήματα και την υγεία (Chen et al., 2017). Είναι επομένως απαραίτητο να παρακολουθείται και να διαχειρίζεται η επέκταση των αστικών περιοχών έγκαιρα για την προστασία των φυσικών πόρων, τη διατήρηση της οικολογικής ισορροπίας και την προώθηση της βιώσιμης αστικής ανάπτυξης (Turner and Meyer, 1994).<br /> <br /> '''Στόχος Ερευνών''' <br /> <br /> Στόχος είναι να εντοπίζονται και να παρακολουθούνται με ακρίβεια οι αλλαγές στη χρήση γης, διευκολύνοντας την έγκαιρη ενημέρωση χαρτών κατάταξης χρήσης γης ώστε να ενισχύονται οι διαδικασίες λήψης αποφάσεων και σχεδιασμού (Du et al., 2023a). Με την εντυπωσιακή πρόοδο της δορυφορικής τεχνολογίας και της ανάλυσης βαθιάς μάθησης στη τηλεπισκόπηση, η χρήση εικόνων υψηλής ανάλυσης από δορυφόρους για ανίχνευση αλλαγών έχει γίνει η προτιμώμενη στρατηγική (Zhan et al., 2017; Daudt et al., 2018a; Alcantarilla et al., 2018; Jiang et al., 2020; Chen and Shi, 2020; Chen et al., 2021). Ωστόσο, η παραγωγή τέτοιων προϊόντων απαιτεί μεγάλους αποθηκευτικούς πόρους και περιπλέκει τη διαδικασία ανάκτησης δεδομένων καθώς ο όγκος των δορυφορικών δεδομένων αυξάνεται.<br /> <br /> <br /> <br /> '''Μέθοδος Ανίχνευσης Αλλαγών από Χάρτες σε Εικόνες (M2ICD)'''<br /> <br /> Για να ξεπεραστούν αυτά τα προβλήματα, η μέθοδος &quot;Map-to-Image Change Detection&quot; (M2ICD) αναδεικνύεται ως μια πιο κατάλληλη εναλλακτική. Η M2ICD συγκρίνει άμεσα ιστορικούς χάρτες χρήσης γης με τρέχουσες δορυφορικές εικόνες για την ανίχνευση αλλαγών. Μειώνει την εξάρτηση από συχνές ενημερώσεις δορυφόρων και προσφέρει μια πιο οικονομική και προσβάσιμη επιλογή για μακροχρόνια παρακολούθηση.<br /> Ανίχνευση Αλλαγών μεταξύ Διαφορετικών Μορφών Δεδομένων (Cross-modal change detection):<br /> Η ανίχνευση αλλαγών μεταξύ διαφορετικών μορφών δεδομένων έχει αναδειχθεί ως ένας σημαντικός τομέας έρευνας τα τελευταία χρόνια, ιδιαίτερα σε περιπτώσεις όπου δεν υπάρχουν ομοιογενείς εικόνες (Lv et al., 2022). Μια βασική πρόκληση σε αυτόν τον τομέα είναι η δημιουργία αντιστοιχιών μεταξύ διαφορετικών μορφών δεδομένων, με στόχο τη μείωση των διαφορών στις κατανομές τους.<br /> <br /> Οι πρώτες μέθοδοι χρησιμοποίησαν τεχνικές σε επίπεδο pixel για να χαρτογραφήσουν ετερογενή δεδομένα σε έναν ενιαίο χώρο χαρακτηριστικών, ιδιαίτερα για την ανίχνευση αλλαγών μεταξύ δεδομένων SAR και οπτικών εικόνων (Liu et al., 2018; Zhan et al., 2018; Zhang et al., 2016). Τα γενετικά αντιπαραθετικά δίκτυα (GANs) έχουν υιοθετηθεί για τον διαχωρισμό της διαδικασίας σε δύο βήματα: τη μετάφραση εικόνων και την ανίχνευση αλλαγών. Για παράδειγμα, το DTCDN (Li et al., 2021) χρησιμοποιεί μια προσέγγιση δύο σταδίων, αξιοποιώντας το CycleGAN (Chen et al., 2020) για τη μετάφραση εικόνων και κατόπιν εφαρμόζει βαθιά μάθηση για τη σύγκριση των μεταφρασμένων εικόνων. Το MTCDN (Du et al., 2023b) ενσωματώνει περαιτέρω το CycleGAN με δίκτυα ανίχνευσης αλλαγών για να δημιουργήσει μια ενιαία λύση για τη μετάφραση εικόνων και την ανίχνευση αλλαγών.<br /> <br /> '''Δεδομένα'''<br /> <br /> 1. EVLab-CMCD Dataset: Σκοπός: Σχεδιάστηκε για την ανίχνευση αλλαγών στη χρήση γης, με εστίαση στις κατασκευαστικές αλλαγές. Περιέχονται Ιστορικοί χάρτες χρήσης γης (2019) και αντίστοιχες δορυφορικές εικόνες (2020) από 10 περιοχές στην Κίνα. Οι χάρτες περιλαμβάνουν 13 κύριες και 56 δευτερεύουσες κατηγορίες χρήσης γης, όπως υγροβιότοποι, καλλιεργήσιμες εκτάσεις, δάση, οικιστική γη, κλπ. Οι δορυφορικές εικόνες έχουν ανάλυση 0,8 m και λήφθηκαν από δορυφόρους όπως GaoFen2 και BeiJing2. <br /> Τα δεδομένα από χαρτογράφηση μετατράπηκαν από διανυσματική μορφή σε εικόνες κλίμακας του γκρι. Διαχωρίστηκαν σε αναλογία 7:3 (εκπαίδευση:δοκιμή), καταλήγοντας σε 5225 ζεύγη για εκπαίδευση και 397 για δοκιμή.<br /> 2. HRSCD Dataset: Σκοπός: Σχεδιάστηκε για σημασιολογική ανίχνευση αλλαγών μεγάλης κλίμακας. Περιέχονται 291 ζεύγη εικόνων υψηλής ανάλυσης (2006–2012), με ανάλυση 0,5 m. Περιλαμβάνει πέντε κατηγορίες χρήσης γης: τεχνητές επιφάνειες, καλλιεργήσιμες εκτάσεις, δάση, υγροβιότοποι και υδάτινες περιοχές.<br /> Πραγματοποιήθηκε διαχωρισμός σε αναλογία 7:3 (εκπαίδευση:δοκιμή), με μέγεθος εικόνας 512 × 512 pixels.<br /> <br /> [[Αρχείο:paper3.1.png]]<br /> <br /> Εικόνα 1: Παρουσίαση του συνόλου δεδομένων EVLab-CMCD:Πάνω μέρος: Παράδειγμα αρχικών δεδομένων, με την ιστορική κατηγοριοποίηση χρήσης γης στα αριστερά και την τρέχουσα δορυφορική εικόνα στα δεξιά.Κάτω μέρος: Μεγεθυμένη προβολή, με κόκκινα σημεία που υποδεικνύουν περιοχές αλλαγών. Ο υπόμνημα δείχνει τις κατηγορίες επιπέδου-1 της ιστορικής χρήσης γης και τις κόκκινες περιοχές αλλαγών.<br /> <br /> [[Αρχείο:paper3.2.png]]<br /> <br /> Εικόνα 2: Δείγματα από το σύνολο δεδομένων EVLab-CMCD: Πρώτη σειρά: Οπτικοποίηση του ιστορικού χάρτη χρήσης γης, με κατηγορίες πρώτου επιπέδου. Δεύτερη σειρά: Παρουσίαση της τρέχουσας δορυφορικής εικόνας. Τρίτη σειρά: Ετικέτες των αλλαγών που εντοπίστηκαν.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> 1. Απόδοση CMPANet: Οι πειραματικές δοκιμές έδειξαν ότι το CMPANet υπερέχει έναντι άλλων μοντέλων σε ακρίβεια και ευελιξία. Το μοντέλο σημείωσε σημαντική βελτίωση στην ανίχνευση αλλαγών σε σύνθετα σενάρια με δεδομένα διαφορετικών μορφών.<br /> 2. Σύγκριση Δεδομένων: Το EVLab-CMCD διακρίνεται για τη λεπτομέρεια και την ποικιλία των κατηγοριών, καθιστώντας το ιδανικό για παρακολούθηση ετήσιων αλλαγών. Το HRSCD επικεντρώνεται σε μακροχρόνιες αλλαγές με λιγότερες κατηγορίες, καθιστώντας το κατάλληλο για παρατήρηση μεγάλης κλίμακας.<br /> 3. Δημόσια Διάθεση Δεδομένων: Το σύνολο EVLab-CMCD είναι διαθέσιμο στο GitHub, αποκλειστικά για ακαδημαϊκή χρήση.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Σε αυτό το άρθρο, προτείνουμε το CMPANet για την αντιμετώπιση της πρόκλησης ανίχνευσης αλλαγών μεταξύ διαφορετικών μορφών δεδομένων (cross-modal change detection) μεταξύ χαρτών και εικόνων.<br /> Η μεθοδολογία περιλαμβάνει:<br /> • Ένα μοντέλο ευθυγράμμισης για την εναρμόνιση δύο διαφορετικών μορφών δεδομένων.<br /> • Ένα μοντέλο αλληλεπίδρασης χαρακτηριστικών για την ανταλλαγή πληροφοριών μεταξύ διαφορετικών μορφών στο πλαίσιο μακροχρόνιων συμφραζομένων και εννοιών.<br /> Τα πειράματα απάλειψης (ablation) που πραγματοποιήσαμε έδειξαν τη θετική επίδραση διαφόρων μονάδων στη βελτίωση της απόδοσης, ενώ τα συγκριτικά αποτελέσματα επιβεβαίωσαν ότι η προτεινόμενη προσέγγιση αποτελεί μέθοδο αιχμής.<br /> Επιπλέον, παρουσιάσαμε το πρώτο δημόσια διαθέσιμο σύνολο δεδομένων που έχει σχεδιαστεί ειδικά για ανίχνευση αλλαγών μεταξύ χαρτών και εικόνων, το οποίο θα συμβάλει σε περαιτέρω έρευνα στον τομέα.<br /> <br /> <br /> [[category:Υπολογιστικά/αλγοριθμικά θέματα]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:19:17Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> <br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:18:59Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> <br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:18:38Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:17:56Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:17:01Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:16:33Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων]]<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:12:15Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:11:53Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:11:38Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:11:03Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:09:53Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[ Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:08:18Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:07:38Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία ]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T15:06:58Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> <br /> [[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B5%CE%BB%CF%84%CE%B9%CF%83%CF%84%CE%BF%CF%80%CE%BF%CE%AF%CF%83%CE%B7_%CE%B4%CE%B9%CE%B1%CF%87%CE%B5%CE%AF%CF%81%CE%B9%CF%83%CE%B7%CF%82_%CE%B1%CF%80%CE%BF%CF%81%CF%81%CE%B9%CE%BC%CE%BC%CE%AC%CF%84%CF%89%CE%BD_%CF%83%CE%B5_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B5%CE%B9%CE%BA%CE%AD%CF%82_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AD%CF%82_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B9%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_GIS 2025-01-16T15:06:22Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Optimizing rural waste management: Leveraging high-resolution remote sensing and GIS for efficient collection and routing<br /> <br /> Συγγραφείς: Xi Cheng, Jieyu Yang, Zhuojun Zeng, Zhiyong Han, Zhanfeng Shen, Guozhong Shi, Deng Pan, Likang Meng<br /> <br /> Πηγή: College of Geophysics(Chengdu University of Technology), Chengdu 610059, China, State Key Laboratory of Geohazard Prevention and Geoenvironment Protection (Chengdu University of Technology), Chengdu 610059, China, State Environmental Protection Key Laboratory of Synergetic Control and Joint Remediation for Soil &amp; Water Pollution (Chengdu University of Technology), Chengdu 610059, China, College of Ecology and Environment (Chengdu University of Technology), Chengdu 610059, China, Key Laboratory of Development and Application of Rural Renewable Energy, (Ministry of Agriculture, China), Chengdu 610041, China, Aerospace Information Research Institute (Chinese Academy of Science), Beijing, 10010, China<br /> <br /> Λέξεις κλειδιά: Rural waste collection, Very high-resolution remote sensing, Semantic segmentation, Multiple points clustering, Pointer Network, Route optimization<br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://www.sciencedirect.com/science/article/pii/S1569843224005752<br /> https://doi.org/10.1016/j.jag.2024.104219''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η αυξημένη παραγωγή οικιακών απορριμμάτων στις αγροτικές περιοχές της Κίνας, λόγω κοινωνικοοικονομικής ανάπτυξης, δημιουργεί περιβαλλοντικές προκλήσεις. Παρά τις αυξημένες επενδύσεις σε οχήματα καθαριότητας, η επεξεργασία απορριμμάτων παραμένει ανεπαρκής, με μόλις 38,27% των απορριμμάτων να υποβάλλονται σε ασφαλή επεξεργασία, συγκριτικά με το 99,2% στις πόλεις.<br /> Η συλλογή απορριμμάτων αποτελεί βασικό στοιχείο, αλλά συχνά παρουσιάζει υψηλό κόστος και περιβαλλοντικές επιπτώσεις λόγω αναποτελεσματικών διαδρομών. Αντίθετα, αναπτυγμένες χώρες εφαρμόζουν ώριμες τεχνολογίες διαχείρισης απορριμμάτων.<br /> Η μελέτη προτείνει ένα σύστημα διαχείρισης απορριμμάτων κατάλληλο για αγροτικές περιοχές, συνδυάζοντας τηλεπισκόπηση, βελτιστοποίηση διαδρομών και έξυπνους αλγορίθμους. Με χρήση δεδομένων υψηλής ανάλυσης και ενισχυτικής μάθησης, το μοντέλο αντιμετωπίζει τις προκλήσεις των αγροτικών περιοχών, μειώνοντας κόστος, εκπομπές και περιβαλλοντική υποβάθμιση.<br /> <br /> <br /> '''Περιοχή Μελέτης'''<br /> <br /> Η περιοχή μελέτης είναι η πόλη Huangtu στην επαρχία Sichuan της νοτιοδυτικής Κίνας, καλύπτοντας έκταση 84,54 km² με πληθυσμό περίπου 37.017 κατοίκους (Τμήμα Αγροτικών Ερευνών, Εθνικό Γραφείο Στατιστικής της Λαϊκής Δημοκρατίας της Κίνας, 2020). Η γεωγραφία της Huangtu χαρακτηρίζεται από λόφους και φράγματα, ενώ συνορεύει με δύο λεκάνες απορροής, των ποταμών Anchang και Caoxi (Εικ. 1), και έχει υποτροπικό υγρό μουσώνιο κλίμα.<br /> Η επιλογή της Huangtu ως περιοχή μελέτης βασίζεται σε δύο λόγους. Πρώτον, η Huangtu αντιπροσωπεύει πολλές αγροτικές πόλεις της Κίνας με ποικιλόμορφο γεωγραφικό περιβάλλον και χαμηλή πυκνότητα πληθυσμού (περίπου 500 άτομα/km² την περίοδο 2011–2019). Αυτά τα χαρακτηριστικά προσφέρουν μια πολύτιμη ευκαιρία για την αξιολόγηση του αποκεντρωμένου μοντέλου συλλογής και διαδρομών απορριμμάτων. Δεύτερον, προηγούμενες μελέτες μας στην περιοχή έχουν παράσχει χρήσιμες πληροφορίες που χρησιμοποιούνται για τη βελτίωση του μοντέλου και την ενσωμάτωση περιβαλλοντικών περιορισμών στο πλαίσιο της μελέτης.<br /> <br /> [[Αρχείο:paper4.1.png]]<br /> <br /> Εικόνα 1: Η τοποθεσία και η διοικητική μονάδα της περιοχής μελέτης (πόλη Huangtu, Κίνα), η δορυφορική της εικόνα για το 2020 και τα τυπικά δείγματα περιοχών (κίτρινα σημεία) με τις αντίστοιχες ετικέτες (οι χρωματιστές γραμμές αντιπροσωπεύουν τα όρια των χειροκίνητα επισημασμένων δειγμάτων για την αντίστοιχη κατηγορία).<br /> <br /> '''Δεδομένα Τηλεπισκόπησης Υψηλής Ανάλυσης (VHR)'''<br /> <br /> Ένας από τους στόχους της παρούσας μελέτης είναι η εξαγωγή βασικών πληροφοριών για τη συλλογή οικιακών απορριμμάτων σε αγροτικές περιοχές απευθείας από εικόνες τηλεπισκόπησης. Το βασικό σύνολο δεδομένων προέρχεται από εικόνες VHR του 2020, που ελήφθησαν ως στιγμιότυπα Επίπεδου-18 από το Google Earth, με χωρική ανάλυση περίπου 1,08 m. Αυτές οι εικόνες, αποτελούμενες από τρεις οπτικές ζώνες (πράσινη, κόκκινη και μπλε), παρέχουν λεπτομερή αναπαράσταση του αγροτικού τοπίου της Huangtu.<br /> Μετά από σχολαστική προεπεξεργασία δεδομένων, που περιλάμβανε σύνθεση, περικοπή και προσαρμογή βάθους bit, οι εικόνες αναπροσανατολίστηκαν στο συντεταγμένο σύστημα Universal Transverse Mercator (UTM). Για την τυποποίηση της ανάλυσης και τη βελτίωση της οπτικής ακρίβειας, οι εικόνες επαναδειγματίστηκαν σε ομοιόμορφη χωρική ανάλυση 1 m.<br /> Βάσει των εικόνων VHR, επιλέχθηκαν συνολικά 30 τμήματα διαστάσεων 1000 × 1000 pixels ως δείγματα εκπαίδευσης για την τμηματοποίηση εικόνων, όπως φαίνεται στα τετράγωνα της Εικ. 1. Αυτά τα τμήματα αντιπροσωπεύουν συνολικά το αγροτικό τοπίο της Huangtu, περιλαμβάνοντας πέντε τυπικά περιβαλλοντικά χαρακτηριστικά: κτίρια, δρόμους, υδάτινα σώματα, γεωργικές εκτάσεις και δάση, διασφαλίζοντας επαρκή ποικιλομορφία για το μοντέλο βαθιάς μάθησης.<br /> Για την απόκτηση ετικετών πραγματικών δεδομένων (ground truth) για τα δείγματα, χρησιμοποιήθηκε ακριβής οπτική ερμηνεία για τον καθορισμό των ορίων των περιβαλλοντικών χαρακτηριστικών στις επιλεγμένες περιοχές δειγμάτων. Τα δειγματοληπτικά τμήματα κατηγοριοποιήθηκαν σε πέντε κατηγορίες κάλυψης γης: κτίρια, δρόμους, υδάτινα σώματα, γεωργικές εκτάσεις και δάση, όπως φαίνεται στην Εικ. 1.<br /> Τα δεδομένα αυτά θα διατεθούν δημόσια στη διεύθυνση: https://github.com/xicheng79/.<br /> <br /> [[Αρχείο:paper4.2.png]]<br /> <br /> Εικόνα 2: Διάγραμμα ροής του προτεινόμενου μοντέλου για την αποκεντρωμένη συλλογή απορριμμάτων στις αγροτικές περιοχές.<br />  <br /> '''Μεθοδολογία'''<br /> <br /> Η μελέτη επικεντρώνεται στην ανάλυση των αλλαγών στη χρήση και κάλυψη γης (LULC) στην πόλη Χαμίρπουρ της Ινδίας, χρησιμοποιώντας δορυφορικά δεδομένα και τεχνολογίες GIS. Η μεθοδολογία περιλαμβάνει:<br /> 1. Συλλογή Δεδομένων:<br /> o Χρήση πολυχρονικών δορυφορικών εικόνων από τα Landsat 7 ETM+ (2001, 2011) και Landsat 8 OLI/TIRS (2021), με χωρική ανάλυση 30m.<br /> o Τα δεδομένα συλλέχθηκαν από το Κέντρο Δεδομένων Παρατήρησης Γης (USGS).<br /> 2. Επεξεργασία Εικόνων:<br /> o Εφαρμογή προεπεξεργασίας για την εξάλειψη νεφών και παραμορφώσεων.<br /> o Δημιουργία σύνθετων εικόνων αληθών και ψευδοχρωμάτων με χρήση συγκεκριμένων ζωνών (Bands 4, 3, 2 για Landsat 7 και Bands 5, 4, 3 για Landsat 8).<br /> 3. Ταξινόμηση Εικόνων:<br /> o Εφαρμογή επιβλεπόμενης ταξινόμησης με τον αλγόριθμο μέγιστης πιθανότητας στο ArcMap 10.8.<br /> o Δημιουργία &quot;κλειδιών ερμηνείας&quot; με χρήση περιοχών εκπαίδευσης (30 δείγματα ανά κατηγορία).<br /> o Ταξινόμηση των pixels σε κατηγορίες χρήσης γης (π.χ. αστική περιοχή, βλάστηση, άγονη γη).<br /> 4. Ανίχνευση Αλλαγών:<br /> o Σύγκριση δεδομένων για τις περιόδους 2001–2011, 2011–2021 και 2001–2021.<br /> o Εντοπισμός αλλαγών, όπως αύξηση αστικών περιοχών και μείωση βλάστησης.<br /> 5. Ανάλυση:<br /> o Χρήση στατιστικών μεθόδων και GIS για την κατανόηση της σχέσης μεταξύ δημογραφικών αλλαγών και περιβαλλοντικών επιπτώσεων.<br /> <br /> [[Αρχείο:paper4.3.png]]<br /> <br /> Εικόνα 3: Ιδέα και υλοποίηση του αλγορίθμου πολλαπλής ομαδοποίησης K-means (MKCA).<br /> <br /> Αποτελέσματα<br /> 1. Μεταβολές LULC:<br /> o 2001–2011:<br />  Μείωση άγονης γης κατά 1,26 km² (-72%).<br />  Αύξηση αστικής περιοχής κατά 1,04 km² (+89,65%).<br />  Ελαφρά αύξηση βλάστησης κατά 0,22 km² (+9,28%).<br /> o 2011–2021:<br />  Μείωση βλάστησης κατά 1,29 km² (-99,2%).<br />  Αύξηση αστικής περιοχής κατά 1,43 km² (+39,7%).<br /> o Συνολικά, η αστική περιοχή αυξήθηκε κατά 2,47 km² (212,9%) από το 2001 έως το 2021.<br /> 2. Περιβαλλοντικές Επιπτώσεις:<br /> o Η αύξηση των αστικών περιοχών συνδέεται με αυξημένες θερμοκρασίες (από 42°C το 2001 σε 46°C το 2021).<br /> o Αναμένεται περαιτέρω αύξηση έως 51°C το 2051.<br /> o Σημαντική αύξηση της κατανάλωσης νερού (+37,56%) και παραγωγής αποβλήτων (+41,88%) την περίοδο 2001–2021.<br /> 3. Συστάσεις:<br /> o Περιορισμός της αστικής κάλυψης στο 69% της συνολικής γης.<br /> o Αύξηση της βλάστησης μέσω αξιοποίησης άγονων εκτάσεων.<br /> o Εφαρμογή πολιτικών για την πρόληψη περιβαλλοντικής υποβάθμισης και κλιματικής αλλαγής.<br /> <br /> Αυτή η μεθοδολογία και τα αποτελέσματα παρέχουν ένα πλαίσιο για τη διαχείριση των αλλαγών στη χρήση γης και τις περιβαλλοντικές προκλήσεις, ενώ μπορούν να επαναχρησιμοποιηθούν για παρόμοιες μελέτες σε άλλες περιοχές.<br /> <br /> [[Αρχείο:paper4.4.png]]<br /> <br /> Εικόνα 4: Το αποτέλεσμα της βελτιστοποίησης δρομολόγησης συλλογής απορριμμάτων σε διαφορετικά σύνολα δεδομένων.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Ένα πρακτικό μοντέλο συλλογής απορριμμάτων για αγροτικές περιοχές είναι ιδιαίτερα σημαντικό στο πλαίσιο της αυξανόμενης ζήτησης για αποκεντρωμένη συλλογή και δρομολόγηση απορριμμάτων στην Κίνα. Η παρούσα μελέτη συνδύασε τεχνολογίες τηλεπισκόπησης, GIS και νευρωνικά δίκτυα για να διερευνήσει την εφαρμογή ενός καινοτόμου μοντέλου συλλογής απορριμμάτων στις αγροτικές περιοχές.<br /> Το πλαίσιο που προτάθηκε χρησιμοποιεί το μοντέλο D-LinkNet για να εξάγει βασικά χαρακτηριστικά, όπως αγροτικά κτίρια, δρόμους, υδάτινα σώματα, γεωργικές εκτάσεις και δάση από εικόνες τηλεπισκόπησης υψηλής ανάλυσης (VHR). Μετά από επεξεργασία δεδομένων, όπως η ψηφιοποίηση και η μετατροπή στοιχείων, δημιουργήθηκε ένα βασικό σύνολο δεδομένων για το περιβάλλον. Βασισμένο σε αυτά, σχεδιάστηκε δημιουργικά το MKCA για να ομαδοποιήσει τα σημεία κτιρίων σε διαφορετικές ομάδες συλλογής απορριμμάτων. Επιπλέον, εφαρμόστηκε μια μεθοδολογία βασισμένη στο GIS για τον προσδιορισμό τοποθεσιών σημείων συλλογής απορριμμάτων (WCS) με σεβασμό στους περιβαλλοντικούς περιορισμούς. Για τη δρομολόγηση, εκπαιδεύτηκε το Ptr-Net για να αντιμετωπίσει τις σχετικές προκλήσεις του προβλήματος του &quot;Περιπλανώμενου Πωλητή&quot; (TSP).<br /> Τα αποτελέσματα από την πόλη Huangtu επιβεβαιώνουν την αξιοπιστία του μοντέλου, συνοψίζοντας τα εξής:<br /> 1. Σε αγροτικά περιβάλλοντα, το D-LinkNet ξεπερνά τα μοντέλα U-Net και DeepNetV3+ στην ακρίβεια τμηματοποίησης, με μέσο IoU 0,900 και F1 Score 0,935.<br /> 2. Το MKCA παρέχει μια πιο προσαρμοσμένη προσέγγιση για την κατηγοριοποίηση σημείων κτιρίων, αξιοποιώντας διαφοροποιημένες παραμέτρους SR.<br /> 3. Το Ptr-Net, ειδικά σε μεγάλες αγροτικές εκτάσεις με διάσπαρτα σημεία και κατακερματισμένα οδικά δίκτυα, εξασφαλίζει συντομότερες και αποδοτικότερες διαδρομές.<br /> Συνολικά, το προτεινόμενο μοντέλο παρουσιάζει εξαιρετική αποδοτικότητα στη συλλογή απορριμμάτων αγροτικών περιοχών, υπερέχοντας στην εξαγωγή περιβαλλοντικών στοιχείων, στον εντοπισμό σημείων συλλογής απορριμμάτων και στη βέλτιστη δρομολόγηση. Αυτά τα πλεονεκτήματα μπορούν να βελτιώσουν σημαντικά τις κυβερνητικές και κοινοτικές προσπάθειες, μειώνοντας το κόστος συλλογής απορριμμάτων σε χρόνο, εργατικό δυναμικό και χρήματα.<br /> Η μελλοντική έρευνα θα επικεντρωθεί στη βελτίωση της εφαρμοσιμότητας του μοντέλου, ενδεχομένως μέσω ενσωμάτωσης σε συστήματα Web GIS. Λειτουργίες όπως η παρακολούθηση χωρητικότητας WCS και η αυτόματη κατανομή προσωπικού θα μπορούσαν να ενισχύσουν περαιτέρω τη χρησιμότητά του, εξασφαλίζοντας την πρακτική και εμπορική του βιωσιμότητα.<br /> <br /> [[category:Υπολογιστικά/αλγοριθμικά θέματα]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B5%CE%BB%CF%84%CE%B9%CF%83%CF%84%CE%BF%CF%80%CE%BF%CE%AF%CF%83%CE%B7_%CE%B4%CE%B9%CE%B1%CF%87%CE%B5%CE%AF%CF%81%CE%B9%CF%83%CE%B7%CF%82_%CE%B1%CF%80%CE%BF%CF%81%CF%81%CE%B9%CE%BC%CE%BC%CE%AC%CF%84%CF%89%CE%BD_%CF%83%CE%B5_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B5%CE%B9%CE%BA%CE%AD%CF%82_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AD%CF%82_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B9%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_GIS 2025-01-16T15:05:40Z

<p>Dimitris Delipetros: Νέα σελίδα με '''Πρωτότυπος τίτλος: Optimizing rural waste management: Leveraging high-resolution remote sensing and GIS for efficient collection and routing Συγγρ...'</p> <hr /> <div>''Πρωτότυπος τίτλος: Optimizing rural waste management: Leveraging high-resolution remote sensing and GIS for efficient collection and routing<br /> <br /> Συγγραφείς: Xi Cheng, Jieyu Yang, Zhuojun Zeng, Zhiyong Han, Zhanfeng Shen, Guozhong Shi, Deng Pan, Likang Meng<br /> <br /> Πηγή: College of Geophysics(Chengdu University of Technology), Chengdu 610059, China, State Key Laboratory of Geohazard Prevention and Geoenvironment Protection (Chengdu University of Technology), Chengdu 610059, China, State Environmental Protection Key Laboratory of Synergetic Control and Joint Remediation for Soil &amp; Water Pollution (Chengdu University of Technology), Chengdu 610059, China, College of Ecology and Environment (Chengdu University of Technology), Chengdu 610059, China, Key Laboratory of Development and Application of Rural Renewable Energy, (Ministry of Agriculture, China), Chengdu 610041, China, Aerospace Information Research Institute (Chinese Academy of Science), Beijing, 10010, China<br /> <br /> Λέξεις κλειδιά: Rural waste collection, Very high-resolution remote sensing, Semantic segmentation, Multiple points clustering, Pointer Network, Route optimization<br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://www.sciencedirect.com/science/article/pii/S1569843224005752<br /> https://doi.org/10.1016/j.jag.2024.104219''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η αυξημένη παραγωγή οικιακών απορριμμάτων στις αγροτικές περιοχές της Κίνας, λόγω κοινωνικοοικονομικής ανάπτυξης, δημιουργεί περιβαλλοντικές προκλήσεις. Παρά τις αυξημένες επενδύσεις σε οχήματα καθαριότητας, η επεξεργασία απορριμμάτων παραμένει ανεπαρκής, με μόλις 38,27% των απορριμμάτων να υποβάλλονται σε ασφαλή επεξεργασία, συγκριτικά με το 99,2% στις πόλεις.<br /> Η συλλογή απορριμμάτων αποτελεί βασικό στοιχείο, αλλά συχνά παρουσιάζει υψηλό κόστος και περιβαλλοντικές επιπτώσεις λόγω αναποτελεσματικών διαδρομών. Αντίθετα, αναπτυγμένες χώρες εφαρμόζουν ώριμες τεχνολογίες διαχείρισης απορριμμάτων.<br /> Η μελέτη προτείνει ένα σύστημα διαχείρισης απορριμμάτων κατάλληλο για αγροτικές περιοχές, συνδυάζοντας τηλεπισκόπηση, βελτιστοποίηση διαδρομών και έξυπνους αλγορίθμους. Με χρήση δεδομένων υψηλής ανάλυσης και ενισχυτικής μάθησης, το μοντέλο αντιμετωπίζει τις προκλήσεις των αγροτικών περιοχών, μειώνοντας κόστος, εκπομπές και περιβαλλοντική υποβάθμιση.<br /> <br /> <br /> '''Περιοχή Μελέτης'''<br /> <br /> Η περιοχή μελέτης είναι η πόλη Huangtu στην επαρχία Sichuan της νοτιοδυτικής Κίνας, καλύπτοντας έκταση 84,54 km² με πληθυσμό περίπου 37.017 κατοίκους (Τμήμα Αγροτικών Ερευνών, Εθνικό Γραφείο Στατιστικής της Λαϊκής Δημοκρατίας της Κίνας, 2020). Η γεωγραφία της Huangtu χαρακτηρίζεται από λόφους και φράγματα, ενώ συνορεύει με δύο λεκάνες απορροής, των ποταμών Anchang και Caoxi (Εικ. 1), και έχει υποτροπικό υγρό μουσώνιο κλίμα.<br /> Η επιλογή της Huangtu ως περιοχή μελέτης βασίζεται σε δύο λόγους. Πρώτον, η Huangtu αντιπροσωπεύει πολλές αγροτικές πόλεις της Κίνας με ποικιλόμορφο γεωγραφικό περιβάλλον και χαμηλή πυκνότητα πληθυσμού (περίπου 500 άτομα/km² την περίοδο 2011–2019). Αυτά τα χαρακτηριστικά προσφέρουν μια πολύτιμη ευκαιρία για την αξιολόγηση του αποκεντρωμένου μοντέλου συλλογής και διαδρομών απορριμμάτων. Δεύτερον, προηγούμενες μελέτες μας στην περιοχή έχουν παράσχει χρήσιμες πληροφορίες που χρησιμοποιούνται για τη βελτίωση του μοντέλου και την ενσωμάτωση περιβαλλοντικών περιορισμών στο πλαίσιο της μελέτης.<br /> <br /> [[Αρχείο:paper4.1.png]]<br /> <br /> Εικόνα 1: Η τοποθεσία και η διοικητική μονάδα της περιοχής μελέτης (πόλη Huangtu, Κίνα), η δορυφορική της εικόνα για το 2020 και τα τυπικά δείγματα περιοχών (κίτρινα σημεία) με τις αντίστοιχες ετικέτες (οι χρωματιστές γραμμές αντιπροσωπεύουν τα όρια των χειροκίνητα επισημασμένων δειγμάτων για την αντίστοιχη κατηγορία).<br /> <br /> '''Δεδομένα Τηλεπισκόπησης Υψηλής Ανάλυσης (VHR)'''<br /> <br /> Ένας από τους στόχους της παρούσας μελέτης είναι η εξαγωγή βασικών πληροφοριών για τη συλλογή οικιακών απορριμμάτων σε αγροτικές περιοχές απευθείας από εικόνες τηλεπισκόπησης. Το βασικό σύνολο δεδομένων προέρχεται από εικόνες VHR του 2020, που ελήφθησαν ως στιγμιότυπα Επίπεδου-18 από το Google Earth, με χωρική ανάλυση περίπου 1,08 m. Αυτές οι εικόνες, αποτελούμενες από τρεις οπτικές ζώνες (πράσινη, κόκκινη και μπλε), παρέχουν λεπτομερή αναπαράσταση του αγροτικού τοπίου της Huangtu.<br /> Μετά από σχολαστική προεπεξεργασία δεδομένων, που περιλάμβανε σύνθεση, περικοπή και προσαρμογή βάθους bit, οι εικόνες αναπροσανατολίστηκαν στο συντεταγμένο σύστημα Universal Transverse Mercator (UTM). Για την τυποποίηση της ανάλυσης και τη βελτίωση της οπτικής ακρίβειας, οι εικόνες επαναδειγματίστηκαν σε ομοιόμορφη χωρική ανάλυση 1 m.<br /> Βάσει των εικόνων VHR, επιλέχθηκαν συνολικά 30 τμήματα διαστάσεων 1000 × 1000 pixels ως δείγματα εκπαίδευσης για την τμηματοποίηση εικόνων, όπως φαίνεται στα τετράγωνα της Εικ. 1. Αυτά τα τμήματα αντιπροσωπεύουν συνολικά το αγροτικό τοπίο της Huangtu, περιλαμβάνοντας πέντε τυπικά περιβαλλοντικά χαρακτηριστικά: κτίρια, δρόμους, υδάτινα σώματα, γεωργικές εκτάσεις και δάση, διασφαλίζοντας επαρκή ποικιλομορφία για το μοντέλο βαθιάς μάθησης.<br /> Για την απόκτηση ετικετών πραγματικών δεδομένων (ground truth) για τα δείγματα, χρησιμοποιήθηκε ακριβής οπτική ερμηνεία για τον καθορισμό των ορίων των περιβαλλοντικών χαρακτηριστικών στις επιλεγμένες περιοχές δειγμάτων. Τα δειγματοληπτικά τμήματα κατηγοριοποιήθηκαν σε πέντε κατηγορίες κάλυψης γης: κτίρια, δρόμους, υδάτινα σώματα, γεωργικές εκτάσεις και δάση, όπως φαίνεται στην Εικ. 1.<br /> Τα δεδομένα αυτά θα διατεθούν δημόσια στη διεύθυνση: https://github.com/xicheng79/.<br /> <br /> [[Αρχείο:paper4.2]]<br /> <br /> Εικόνα 2: Διάγραμμα ροής του προτεινόμενου μοντέλου για την αποκεντρωμένη συλλογή απορριμμάτων στις αγροτικές περιοχές.<br />  <br /> '''Μεθοδολογία'''<br /> <br /> Η μελέτη επικεντρώνεται στην ανάλυση των αλλαγών στη χρήση και κάλυψη γης (LULC) στην πόλη Χαμίρπουρ της Ινδίας, χρησιμοποιώντας δορυφορικά δεδομένα και τεχνολογίες GIS. Η μεθοδολογία περιλαμβάνει:<br /> 1. Συλλογή Δεδομένων:<br /> o Χρήση πολυχρονικών δορυφορικών εικόνων από τα Landsat 7 ETM+ (2001, 2011) και Landsat 8 OLI/TIRS (2021), με χωρική ανάλυση 30m.<br /> o Τα δεδομένα συλλέχθηκαν από το Κέντρο Δεδομένων Παρατήρησης Γης (USGS).<br /> 2. Επεξεργασία Εικόνων:<br /> o Εφαρμογή προεπεξεργασίας για την εξάλειψη νεφών και παραμορφώσεων.<br /> o Δημιουργία σύνθετων εικόνων αληθών και ψευδοχρωμάτων με χρήση συγκεκριμένων ζωνών (Bands 4, 3, 2 για Landsat 7 και Bands 5, 4, 3 για Landsat 8).<br /> 3. Ταξινόμηση Εικόνων:<br /> o Εφαρμογή επιβλεπόμενης ταξινόμησης με τον αλγόριθμο μέγιστης πιθανότητας στο ArcMap 10.8.<br /> o Δημιουργία &quot;κλειδιών ερμηνείας&quot; με χρήση περιοχών εκπαίδευσης (30 δείγματα ανά κατηγορία).<br /> o Ταξινόμηση των pixels σε κατηγορίες χρήσης γης (π.χ. αστική περιοχή, βλάστηση, άγονη γη).<br /> 4. Ανίχνευση Αλλαγών:<br /> o Σύγκριση δεδομένων για τις περιόδους 2001–2011, 2011–2021 και 2001–2021.<br /> o Εντοπισμός αλλαγών, όπως αύξηση αστικών περιοχών και μείωση βλάστησης.<br /> 5. Ανάλυση:<br /> o Χρήση στατιστικών μεθόδων και GIS για την κατανόηση της σχέσης μεταξύ δημογραφικών αλλαγών και περιβαλλοντικών επιπτώσεων.<br /> <br /> [[Αρχείο:paper4.3.png]]<br /> <br /> Εικόνα 3: Ιδέα και υλοποίηση του αλγορίθμου πολλαπλής ομαδοποίησης K-means (MKCA).<br /> <br /> Αποτελέσματα<br /> 1. Μεταβολές LULC:<br /> o 2001–2011:<br />  Μείωση άγονης γης κατά 1,26 km² (-72%).<br />  Αύξηση αστικής περιοχής κατά 1,04 km² (+89,65%).<br />  Ελαφρά αύξηση βλάστησης κατά 0,22 km² (+9,28%).<br /> o 2011–2021:<br />  Μείωση βλάστησης κατά 1,29 km² (-99,2%).<br />  Αύξηση αστικής περιοχής κατά 1,43 km² (+39,7%).<br /> o Συνολικά, η αστική περιοχή αυξήθηκε κατά 2,47 km² (212,9%) από το 2001 έως το 2021.<br /> 2. Περιβαλλοντικές Επιπτώσεις:<br /> o Η αύξηση των αστικών περιοχών συνδέεται με αυξημένες θερμοκρασίες (από 42°C το 2001 σε 46°C το 2021).<br /> o Αναμένεται περαιτέρω αύξηση έως 51°C το 2051.<br /> o Σημαντική αύξηση της κατανάλωσης νερού (+37,56%) και παραγωγής αποβλήτων (+41,88%) την περίοδο 2001–2021.<br /> 3. Συστάσεις:<br /> o Περιορισμός της αστικής κάλυψης στο 69% της συνολικής γης.<br /> o Αύξηση της βλάστησης μέσω αξιοποίησης άγονων εκτάσεων.<br /> o Εφαρμογή πολιτικών για την πρόληψη περιβαλλοντικής υποβάθμισης και κλιματικής αλλαγής.<br /> <br /> Αυτή η μεθοδολογία και τα αποτελέσματα παρέχουν ένα πλαίσιο για τη διαχείριση των αλλαγών στη χρήση γης και τις περιβαλλοντικές προκλήσεις, ενώ μπορούν να επαναχρησιμοποιηθούν για παρόμοιες μελέτες σε άλλες περιοχές.<br /> <br /> [[Αρχείο:paper4.4]]<br /> <br /> Εικόνα 4: Το αποτέλεσμα της βελτιστοποίησης δρομολόγησης συλλογής απορριμμάτων σε διαφορετικά σύνολα δεδομένων.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Ένα πρακτικό μοντέλο συλλογής απορριμμάτων για αγροτικές περιοχές είναι ιδιαίτερα σημαντικό στο πλαίσιο της αυξανόμενης ζήτησης για αποκεντρωμένη συλλογή και δρομολόγηση απορριμμάτων στην Κίνα. Η παρούσα μελέτη συνδύασε τεχνολογίες τηλεπισκόπησης, GIS και νευρωνικά δίκτυα για να διερευνήσει την εφαρμογή ενός καινοτόμου μοντέλου συλλογής απορριμμάτων στις αγροτικές περιοχές.<br /> Το πλαίσιο που προτάθηκε χρησιμοποιεί το μοντέλο D-LinkNet για να εξάγει βασικά χαρακτηριστικά, όπως αγροτικά κτίρια, δρόμους, υδάτινα σώματα, γεωργικές εκτάσεις και δάση από εικόνες τηλεπισκόπησης υψηλής ανάλυσης (VHR). Μετά από επεξεργασία δεδομένων, όπως η ψηφιοποίηση και η μετατροπή στοιχείων, δημιουργήθηκε ένα βασικό σύνολο δεδομένων για το περιβάλλον. Βασισμένο σε αυτά, σχεδιάστηκε δημιουργικά το MKCA για να ομαδοποιήσει τα σημεία κτιρίων σε διαφορετικές ομάδες συλλογής απορριμμάτων. Επιπλέον, εφαρμόστηκε μια μεθοδολογία βασισμένη στο GIS για τον προσδιορισμό τοποθεσιών σημείων συλλογής απορριμμάτων (WCS) με σεβασμό στους περιβαλλοντικούς περιορισμούς. Για τη δρομολόγηση, εκπαιδεύτηκε το Ptr-Net για να αντιμετωπίσει τις σχετικές προκλήσεις του προβλήματος του &quot;Περιπλανώμενου Πωλητή&quot; (TSP).<br /> Τα αποτελέσματα από την πόλη Huangtu επιβεβαιώνουν την αξιοπιστία του μοντέλου, συνοψίζοντας τα εξής:<br /> 1. Σε αγροτικά περιβάλλοντα, το D-LinkNet ξεπερνά τα μοντέλα U-Net και DeepNetV3+ στην ακρίβεια τμηματοποίησης, με μέσο IoU 0,900 και F1 Score 0,935.<br /> 2. Το MKCA παρέχει μια πιο προσαρμοσμένη προσέγγιση για την κατηγοριοποίηση σημείων κτιρίων, αξιοποιώντας διαφοροποιημένες παραμέτρους SR.<br /> 3. Το Ptr-Net, ειδικά σε μεγάλες αγροτικές εκτάσεις με διάσπαρτα σημεία και κατακερματισμένα οδικά δίκτυα, εξασφαλίζει συντομότερες και αποδοτικότερες διαδρομές.<br /> Συνολικά, το προτεινόμενο μοντέλο παρουσιάζει εξαιρετική αποδοτικότητα στη συλλογή απορριμμάτων αγροτικών περιοχών, υπερέχοντας στην εξαγωγή περιβαλλοντικών στοιχείων, στον εντοπισμό σημείων συλλογής απορριμμάτων και στη βέλτιστη δρομολόγηση. Αυτά τα πλεονεκτήματα μπορούν να βελτιώσουν σημαντικά τις κυβερνητικές και κοινοτικές προσπάθειες, μειώνοντας το κόστος συλλογής απορριμμάτων σε χρόνο, εργατικό δυναμικό και χρήματα.<br /> Η μελλοντική έρευνα θα επικεντρωθεί στη βελτίωση της εφαρμοσιμότητας του μοντέλου, ενδεχομένως μέσω ενσωμάτωσης σε συστήματα Web GIS. Λειτουργίες όπως η παρακολούθηση χωρητικότητας WCS και η αυτόματη κατανομή προσωπικού θα μπορούσαν να ενισχύσουν περαιτέρω τη χρησιμότητά του, εξασφαλίζοντας την πρακτική και εμπορική του βιωσιμότητα.<br /> <br /> [[category:Υπολογιστικά/αλγοριθμικά θέματα]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper4.4.png 2025-01-16T14:52:17Z

<p>Dimitris Delipetros: Εικόνα 4: Το αποτέλεσμα της βελτιστοποίησης δρομολόγησης συλλογής απορριμμάτων σε διαφορετικά σύνολα δεδομένων.</p> <hr /> <div>Εικόνα 4: Το αποτέλεσμα της βελτιστοποίησης δρομολόγησης συλλογής απορριμμάτων σε διαφορετικά σύνολα δεδομένων.</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper4.3.png 2025-01-16T14:51:54Z

<p>Dimitris Delipetros: Εικόνα 3: Ιδέα και υλοποίηση του αλγορίθμου πολλαπλής ομαδοποίησης K-means (MKCA).</p> <hr /> <div>Εικόνα 3: Ιδέα και υλοποίηση του αλγορίθμου πολλαπλής ομαδοποίησης K-means (MKCA).</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper4.2.png 2025-01-16T14:51:38Z

<p>Dimitris Delipetros: Εικόνα 2: Διάγραμμα ροής του προτεινόμενου μοντέλου για την αποκεντρωμένη συλλογή απορριμμάτων στις αγροτικές περιοχές.</p> <hr /> <div>Εικόνα 2: Διάγραμμα ροής του προτεινόμενου μοντέλου για την αποκεντρωμένη συλλογή απορριμμάτων στις αγροτικές περιοχές.</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper4.1.png 2025-01-16T14:51:18Z

<p>Dimitris Delipetros: Εικόνα 1: Η τοποθεσία και η διοικητική μονάδα της περιοχής μελέτης (πόλη Huangtu, Κίνα), η δορυφορική της εικόνα για το 2020 και τα τυπικά δείγματα �</p> <hr /> <div>Εικόνα 1: Η τοποθεσία και η διοικητική μονάδα της περιοχής μελέτης (πόλη Huangtu, Κίνα), η δορυφορική της εικόνα για το 2020 και τα τυπικά δείγματα περιοχών (κίτρινα σημεία) με τις αντίστοιχες ετικέτες (οι χρωματιστές γραμμές αντιπροσωπεύουν τα όρια των χειροκίνητα επισημασμένων δειγμάτων για την αντίστοιχη κατηγορία).</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CE%B3%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CF%83%CF%84%CE%B7%CE%BD_%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7_%CE%B3%CE%B7%CF%82_%CF%87%CF%81%CE%B7%CF%83%CE%B9%CE%BC%CE%BF%CF%80%CE%BF%CE%B9%CF%8E%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_GIS:_%CE%9C%CE%B9%CE%B1_%CE%BC%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%80%CE%B5%CF%81%CE%AF%CF%80%CF%84%CF%89%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_Hamirpur,_%CE%99%CE%BD%CE%B4%CE%AF%CE%B1 2025-01-16T14:19:31Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Analysis of land use and land cover transpose using remote sensing and GIS approach: a case of Hamirpur, India <br /> <br /> Συγγραφείς: Rashmi Kumari, Bharti Kasavb<br /> <br /> Πηγή: https://doi.org/10.1016/j.isprsjprs.2024.10.010<br /> <br /> Λέξεις κλειδιά: GIS; Remote sensing, Regression, Urbanization, Environment<br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://www.sciencedirect.com/science/article/pii/S1877050924010317 '' <br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι αλλαγές στη χρήση γης και η αστικοποίηση επηρεάζουν το τοπικό κλίμα, τη φυσική κατάσταση και την περιβαλλοντική ποιότητα. Έκθεση της Παγκόσμιας Τράπεζας (2007) προέβλεψε ότι τα αναδυόμενα έθνη θα κυριαρχούσαν στις μεγαλουπόλεις έως το 2020. Η αστικοποίηση, που ξεκίνησε από τη Βιομηχανική Επανάσταση στη Βρετανία, περιλαμβάνει την αφαίρεση φυσικών χαρακτηριστικών για ανάπτυξη υποδομών. Η αύξηση του πληθυσμού, ιδιαίτερα από το 1950 έως το 2050, έχει οδηγήσει σε αστική πίεση και περιβαλλοντική υποβάθμιση. Στην Ινδία, πόλεις όπως το Χαμίρπουρ αντιμετωπίζουν ραγδαία αστικοποίηση, με συνέπειες όπως περιβαλλοντικές καταστροφές. Η έρευνα επικεντρώνεται στις αλλαγές στη χρήση γης (LULC) και τις επιπτώσεις της δημογραφικής ανάπτυξης, προτείνοντας πολιτικές για βιώσιμη διαχείριση.<br /> <br /> '''Περιοχή Μελέτης'''<br /> <br /> Η πόλη Χαμίρπουρ έχει επιλεγεί προσεκτικά για την παρούσα έρευνα. Σύμφωνα με το τμήμα της πόλης και χωροταξικό σχεδιασμό του Χιματσάλ Πραντές (TCP, H.P.), η περιοχή μελέτης του Χαμίρπουρ εκτείνεται σε έκταση 5,24 τ.km και βρίσκεται στο βόρειο τμήμα της Ινδίας. Είναι η περιοχή των Ιμαλαΐων, πιο συγκεκριμένα στους χαμηλότερους πρόποδες σε ένα υψόμετρο περίπου 765 μέτρων. Ο πληθυσμός της περιοχής μελέτης είναι 17.604 σύμφωνα με την απογραφή του 2011. Ο πληθυσμός αυξάνεται με γρήγορους ρυθμούς και κατά συνέπεια η περιοχή των ανθρώπινων δραστηριοτήτων και παρεμβάσεων γρήγορα αύξηση. Επιπλέον, υπάρχει αξιοσημείωτη αύξηση στις βιομηχανίες. Έτσι, η χρήση γης και η κάλυψη γης αλλάζουν με ανησυχητικό ρυθμό, και ασκώντας μεγάλη πίεση στις εναπομείναντες διαθέσιμες άγονες και δασικές εκτάσεις. Αυτή η περιοχή έχει επιλέχθηκε για την καλύτερη κατανόηση των λόγων και των επιπτώσεων των αλλαγών στην κάλυψη και τη χρήση της γης.<br /> <br /> [[Αρχείο:paper2.1.png]]<br /> <br /> ''Εικόνα. 1: Χάρτης θέσης της περιοχής μελέτης.''<br />  <br /> '''Δεδομένα και Μετρήσεις'''<br /> <br /> Για την ποσοτική ανάλυση των δεδομένων αλλαγής χρήσης γης και κάλυψης γης της περιοχής υπό διερεύνηση, χρησιμοποιήθηκαν κυρίως δορυφορικές εικόνες πολλαπλών χρονικών περιόδων από το Landsat 7 ETM+ (Enhanced Thematic Mapper Plus) και το Landsat 8 OLI/TIRS (Operational Land Imager/Thermal Infrared Sensor) με χωρική ανάλυση 30 μέτρων, από το Κέντρο Δεδομένων Συστήματος Παρατήρησης Γης του USGS (http://earth explorer.usgs.gov/).<br /> Οι δορυφορικές εικόνες αναλύθηκαν και κατηγοριοποιήθηκαν χρησιμοποιώντας το λογισμικό ArcMap 10.8. Το ArcMap 10.8 χρησιμοποιήθηκε επίσης για τον υπολογισμό των περιοχών και τη δημιουργία θεματικών χαρτών. Οι υπολογισμοί πραγματοποιήθηκαν με χρήση του Microsoft Excel για τη δημιουργία πινάκων που παρουσιάζουν τις αλλαγές στην κάλυψη γης. <br /> <br /> <br /> '''Προεπεξεργασία Εικόνων'''<br /> <br /> Η προεπεξεργασία είναι απαραίτητη για την ανάλυση των δορυφορικών εικόνων. Είναι σημαντική για την ερμηνεία τους και απαιτείται σε περιπτώσεις όπως η εξάλειψη νεφών και η διόρθωση παραμορφώσεων. Οι διαδικασίες αυτές αποσκοπούν στη βελτίωση της φασματικής διαχωριστικότητας και της οπτικής ερμηνείας των χαρακτηριστικών της επιφάνειας της γης, παρέχοντας καλύτερα δεδομένα για τις αυτοματοποιημένες μεθόδους επεξεργασίας εικόνας.<br /> <br /> '''Επικάλυψη Στρωμάτων'''<br /> <br /> Το Landsat 7 ETM αποτελείται από οκτώ φασματικές ζώνες και το Landsat 8 OLI/TIRS από έντεκα. Οι ζώνες 4, 3, 2 του Landsat 7 και οι ζώνες 5, 4, 3 του Landsat 8 χρησιμοποιήθηκαν για τη δημιουργία σύνθετων εικόνων στο ArcMap 10.8. Οι τρεις φασματικές ζώνες (κόκκινο, πράσινο, μπλε) αντιπροσωπεύουν διαφορετικές ιδιότητες και δημιουργούν συνθέσεις πραγματικού και ψευδοχρωματισμού της περιοχής μελέτης. Επιπλέον, οι σύνθετες εικόνες ενσωματώθηκαν στην περιοχή μελέτης για τη βελτίωση της ακρίβειας της επεξεργασίας.<br /> <br /> '''Κατηγοριοποίηση Εικόνων'''<br /> <br /> Μια κατάλληλη μέθοδος κατηγοριοποίησης είναι απαραίτητη για την ταξινόμηση των δορυφορικών εικόνων της περιοχής μελέτης. Η παρούσα μελέτη χρησιμοποιεί τροποποιημένη μέθοδο κατηγοριοποίησης με επιβλεπόμενους ταξινομητές per-pixel. Αυτοί οι ταξινομητές κατηγοριοποιούν τα pixels βάσει παρόμοιων φασματικών ιδιοτήτων. Ο αλγόριθμος μέγιστης πιθανότητας του ArcMap 10.8 χρησιμοποιήθηκε για την επιβλεπόμενη ταξινόμηση των δεδομένων LULC (Land Use/Land Cover) για τις εικόνες Landsat από τα έτη 2'''Έντονο κείμενο'''001, 2011, και 2021. Το πρώτο βήμα περιλαμβάνει τη δημιουργία ενός αριθμητικού &quot;κλειδιού ερμηνείας&quot; που περιγράφει τη φασματική συμπεριφορά κάθε χαρακτηριστικού μέσω περιοχών εκπαίδευσης. Για κάθε κατηγορία, δημιουργήθηκαν περίπου 30 δείγματα εκπαίδευσης, φτάνοντας συνολικά 150-200 δείγματα ανά χάρτη. Στη συνέχεια, κάθε pixel ταξινομήθηκε σύμφωνα με την κατηγορία με την οποία μοιάζει περισσότερο.<br /> <br /> [[Αρχείο:paper2.2.png]]<br /> <br /> ''Εικόνα. 2: Αποτελέσματα Πρότυπα Χρήσης και Κάλυψης Γης (LULC) του Hamirpur το 2001 και το 2011.''<br /> <br /> [[Αρχείο:paper2.3.png]]<br /> <br /> ''Εικόνα 3: Αποτελέσματα Πρότυπα Χρήσης και Κάλυψης Γης (LULC) του Hamirpur το 2021.''<br /> <br /> '''Ανίχνευση Αλλαγών'''<br /> <br /> Η ανάλυση ανίχνευσης αλλαγών χρησιμοποιήθηκε για την περιγραφή και την ποσοτικοποίηση των διαφορών μεταξύ εικόνων της ίδιας περιοχής σε διαφορετικές χρονικές περιόδους. Οι αλλαγές χρήσης και κάλυψης γης, όπως η αύξηση των αστικών περιοχών και η μείωση της βλάστησης, εντοπίστηκαν ακολουθώντας τη μεθοδολογία της μελέτης. Οι στατιστικές ανιχνεύσεις αλλαγών για τις περιόδους 2001–2011, 2011–2021 και 2001–2021 αξιολογήθηκαν στην παρούσα έρευνα.<br /> <br /> '''Ανάλυση'''<br /> <br /> Η ενδελεχής ανάλυση των συλλεχθέντων δεδομένων πραγματοποιήθηκε χρησιμοποιώντας στατιστικές τεχνικές και εργαλεία GIS. Εξετάστηκαν οι δεκαετίες αλλαγών στο χωρικό και κοινωνικοοικονομικό προφίλ της περιοχής μελέτης. Μελετήθηκαν οι τάσεις αύξησης του πληθυσμού, παραγωγής απορριμμάτων και κατανάλωσης νερού. <br /> <br /> '''Συμπέρασμα'''<br /> <br /> Το αποτέλεσμα της παρούσας έρευνας δείχνει ότι η αύξηση των αστικών περιοχών έχει σημαντικές αρνητικές επιπτώσεις στο περιβάλλον και το κλίμα της περιοχής μελέτης. Ως εκ τούτου, πρέπει να ληφθούν μέτρα με τη μορφή σχεδιασμού και πολιτικών κατευθυντήριων γραμμών για τη μείωση της αύξησης του πληθυσμού, η οποία με τη σειρά της θα μειώσει τον ρυθμό αύξησης των αστικών περιοχών. Προτείνεται το ποσοστό των αστικών περιοχών να μην αυξηθεί περαιτέρω πέρα από το 69% της συνολικής έκτασης. Πρέπει να ληφθούν μέτρα για την αύξηση της βλάστησης και της πράσινης κάλυψης, αξιοποιώντας τις άγονες εκτάσεις, ώστε να αποφευχθεί η περιβαλλοντική υποβάθμιση και η κλιματική αλλαγή. Η μεθοδολογία που υιοθετήθηκε στην παρούσα έρευνα μπορεί να αναπαραχθεί και να χρησιμοποιηθεί για περαιτέρω εις βάθος αναλύσεις σε συγκεκριμένες περιοχές μελέτης.<br /> <br /> <br /> [[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CE%B3%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CF%83%CF%84%CE%B7%CE%BD_%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7_%CE%B3%CE%B7%CF%82_%CF%87%CF%81%CE%B7%CF%83%CE%B9%CE%BC%CE%BF%CF%80%CE%BF%CE%B9%CF%8E%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_GIS:_%CE%9C%CE%B9%CE%B1_%CE%BC%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%80%CE%B5%CF%81%CE%AF%CF%80%CF%84%CF%89%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_Hamirpur,_%CE%99%CE%BD%CE%B4%CE%AF%CE%B1 2025-01-16T14:18:58Z

<p>Dimitris Delipetros: Νέα σελίδα με '''Πρωτότυπος τίτλος: Analysis of land use and land cover transpose using remote sensing and GIS approach: a case of Hamirpur, India Συγγραφείς:...'</p> <hr /> <div>''Πρωτότυπος τίτλος: Analysis of land use and land cover transpose using remote sensing and GIS approach: a case of Hamirpur, India <br /> <br /> Συγγραφείς: Rashmi Kumari, Bharti Kasavb<br /> <br /> Πηγή: https://doi.org/10.1016/j.isprsjprs.2024.10.010<br /> <br /> Λέξεις κλειδιά: GIS; Remote sensing, Regression, Urbanization, Environment<br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://www.sciencedirect.com/science/article/pii/S1877050924010317 '' <br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι αλλαγές στη χρήση γης και η αστικοποίηση επηρεάζουν το τοπικό κλίμα, τη φυσική κατάσταση και την περιβαλλοντική ποιότητα. Έκθεση της Παγκόσμιας Τράπεζας (2007) προέβλεψε ότι τα αναδυόμενα έθνη θα κυριαρχούσαν στις μεγαλουπόλεις έως το 2020. Η αστικοποίηση, που ξεκίνησε από τη Βιομηχανική Επανάσταση στη Βρετανία, περιλαμβάνει την αφαίρεση φυσικών χαρακτηριστικών για ανάπτυξη υποδομών. Η αύξηση του πληθυσμού, ιδιαίτερα από το 1950 έως το 2050, έχει οδηγήσει σε αστική πίεση και περιβαλλοντική υποβάθμιση. Στην Ινδία, πόλεις όπως το Χαμίρπουρ αντιμετωπίζουν ραγδαία αστικοποίηση, με συνέπειες όπως περιβαλλοντικές καταστροφές. Η έρευνα επικεντρώνεται στις αλλαγές στη χρήση γης (LULC) και τις επιπτώσεις της δημογραφικής ανάπτυξης, προτείνοντας πολιτικές για βιώσιμη διαχείριση.<br /> <br /> '''Περιοχή Μελέτης'''<br /> <br /> Η πόλη Χαμίρπουρ έχει επιλεγεί προσεκτικά για την παρούσα έρευνα. Σύμφωνα με το τμήμα της πόλης και χωροταξικό σχεδιασμό του Χιματσάλ Πραντές (TCP, H.P.), η περιοχή μελέτης του Χαμίρπουρ εκτείνεται σε έκταση 5,24 τ.km και βρίσκεται στο βόρειο τμήμα της Ινδίας. Είναι η περιοχή των Ιμαλαΐων, πιο συγκεκριμένα στους χαμηλότερους πρόποδες σε ένα υψόμετρο περίπου 765 μέτρων. Ο πληθυσμός της περιοχής μελέτης είναι 17.604 σύμφωνα με την απογραφή του 2011. Ο πληθυσμός αυξάνεται με γρήγορους ρυθμούς και κατά συνέπεια η περιοχή των ανθρώπινων δραστηριοτήτων και παρεμβάσεων γρήγορα αύξηση. Επιπλέον, υπάρχει αξιοσημείωτη αύξηση στις βιομηχανίες. Έτσι, η χρήση γης και η κάλυψη γης αλλάζουν με ανησυχητικό ρυθμό, και ασκώντας μεγάλη πίεση στις εναπομείναντες διαθέσιμες άγονες και δασικές εκτάσεις. Αυτή η περιοχή έχει επιλέχθηκε για την καλύτερη κατανόηση των λόγων και των επιπτώσεων των αλλαγών στην κάλυψη και τη χρήση της γης.<br /> <br /> [[Αρχείο:paper2.1.png]]<br /> <br /> Εικόνα. 1: Χάρτης θέσης της περιοχής μελέτης.<br />  <br /> '''Δεδομένα και Μετρήσεις'''<br /> <br /> Για την ποσοτική ανάλυση των δεδομένων αλλαγής χρήσης γης και κάλυψης γης της περιοχής υπό διερεύνηση, χρησιμοποιήθηκαν κυρίως δορυφορικές εικόνες πολλαπλών χρονικών περιόδων από το Landsat 7 ETM+ (Enhanced Thematic Mapper Plus) και το Landsat 8 OLI/TIRS (Operational Land Imager/Thermal Infrared Sensor) με χωρική ανάλυση 30 μέτρων, από το Κέντρο Δεδομένων Συστήματος Παρατήρησης Γης του USGS (http://earth explorer.usgs.gov/).<br /> Οι δορυφορικές εικόνες αναλύθηκαν και κατηγοριοποιήθηκαν χρησιμοποιώντας το λογισμικό ArcMap 10.8. Το ArcMap 10.8 χρησιμοποιήθηκε επίσης για τον υπολογισμό των περιοχών και τη δημιουργία θεματικών χαρτών. Οι υπολογισμοί πραγματοποιήθηκαν με χρήση του Microsoft Excel για τη δημιουργία πινάκων που παρουσιάζουν τις αλλαγές στην κάλυψη γης. <br /> <br /> <br /> '''Προεπεξεργασία Εικόνων'''<br /> <br /> Η προεπεξεργασία είναι απαραίτητη για την ανάλυση των δορυφορικών εικόνων. Είναι σημαντική για την ερμηνεία τους και απαιτείται σε περιπτώσεις όπως η εξάλειψη νεφών και η διόρθωση παραμορφώσεων. Οι διαδικασίες αυτές αποσκοπούν στη βελτίωση της φασματικής διαχωριστικότητας και της οπτικής ερμηνείας των χαρακτηριστικών της επιφάνειας της γης, παρέχοντας καλύτερα δεδομένα για τις αυτοματοποιημένες μεθόδους επεξεργασίας εικόνας.<br /> <br /> '''Επικάλυψη Στρωμάτων'''<br /> <br /> Το Landsat 7 ETM αποτελείται από οκτώ φασματικές ζώνες και το Landsat 8 OLI/TIRS από έντεκα. Οι ζώνες 4, 3, 2 του Landsat 7 και οι ζώνες 5, 4, 3 του Landsat 8 χρησιμοποιήθηκαν για τη δημιουργία σύνθετων εικόνων στο ArcMap 10.8. Οι τρεις φασματικές ζώνες (κόκκινο, πράσινο, μπλε) αντιπροσωπεύουν διαφορετικές ιδιότητες και δημιουργούν συνθέσεις πραγματικού και ψευδοχρωματισμού της περιοχής μελέτης. Επιπλέον, οι σύνθετες εικόνες ενσωματώθηκαν στην περιοχή μελέτης για τη βελτίωση της ακρίβειας της επεξεργασίας.<br /> <br /> '''Κατηγοριοποίηση Εικόνων'''<br /> <br /> Μια κατάλληλη μέθοδος κατηγοριοποίησης είναι απαραίτητη για την ταξινόμηση των δορυφορικών εικόνων της περιοχής μελέτης. Η παρούσα μελέτη χρησιμοποιεί τροποποιημένη μέθοδο κατηγοριοποίησης με επιβλεπόμενους ταξινομητές per-pixel. Αυτοί οι ταξινομητές κατηγοριοποιούν τα pixels βάσει παρόμοιων φασματικών ιδιοτήτων. Ο αλγόριθμος μέγιστης πιθανότητας του ArcMap 10.8 χρησιμοποιήθηκε για την επιβλεπόμενη ταξινόμηση των δεδομένων LULC (Land Use/Land Cover) για τις εικόνες Landsat από τα έτη 2'''Έντονο κείμενο'''001, 2011, και 2021. Το πρώτο βήμα περιλαμβάνει τη δημιουργία ενός αριθμητικού &quot;κλειδιού ερμηνείας&quot; που περιγράφει τη φασματική συμπεριφορά κάθε χαρακτηριστικού μέσω περιοχών εκπαίδευσης. Για κάθε κατηγορία, δημιουργήθηκαν περίπου 30 δείγματα εκπαίδευσης, φτάνοντας συνολικά 150-200 δείγματα ανά χάρτη. Στη συνέχεια, κάθε pixel ταξινομήθηκε σύμφωνα με την κατηγορία με την οποία μοιάζει περισσότερο.<br /> <br /> [[Αρχείο:paper2.2.png]]<br /> <br /> Εικόνα. 2: Αποτελέσματα Πρότυπα Χρήσης και Κάλυψης Γης (LULC) του Hamirpur το 2001 και το 2011.<br /> <br /> [[Αρχείο:paper2.3.png]]<br /> <br /> Εικόνα 3: Αποτελέσματα Πρότυπα Χρήσης και Κάλυψης Γης (LULC) του Hamirpur το 2021.<br /> <br /> '''Ανίχνευση Αλλαγών'''<br /> <br /> Η ανάλυση ανίχνευσης αλλαγών χρησιμοποιήθηκε για την περιγραφή και την ποσοτικοποίηση των διαφορών μεταξύ εικόνων της ίδιας περιοχής σε διαφορετικές χρονικές περιόδους. Οι αλλαγές χρήσης και κάλυψης γης, όπως η αύξηση των αστικών περιοχών και η μείωση της βλάστησης, εντοπίστηκαν ακολουθώντας τη μεθοδολογία της μελέτης. Οι στατιστικές ανιχνεύσεις αλλαγών για τις περιόδους 2001–2011, 2011–2021 και 2001–2021 αξιολογήθηκαν στην παρούσα έρευνα.<br /> <br /> '''Ανάλυση'''<br /> <br /> Η ενδελεχής ανάλυση των συλλεχθέντων δεδομένων πραγματοποιήθηκε χρησιμοποιώντας στατιστικές τεχνικές και εργαλεία GIS. Εξετάστηκαν οι δεκαετίες αλλαγών στο χωρικό και κοινωνικοοικονομικό προφίλ της περιοχής μελέτης. Μελετήθηκαν οι τάσεις αύξησης του πληθυσμού, παραγωγής απορριμμάτων και κατανάλωσης νερού. <br /> <br /> '''Συμπέρασμα'''<br /> <br /> Το αποτέλεσμα της παρούσας έρευνας δείχνει ότι η αύξηση των αστικών περιοχών έχει σημαντικές αρνητικές επιπτώσεις στο περιβάλλον και το κλίμα της περιοχής μελέτης. Ως εκ τούτου, πρέπει να ληφθούν μέτρα με τη μορφή σχεδιασμού και πολιτικών κατευθυντήριων γραμμών για τη μείωση της αύξησης του πληθυσμού, η οποία με τη σειρά της θα μειώσει τον ρυθμό αύξησης των αστικών περιοχών. Προτείνεται το ποσοστό των αστικών περιοχών να μην αυξηθεί περαιτέρω πέρα από το 69% της συνολικής έκτασης. Πρέπει να ληφθούν μέτρα για την αύξηση της βλάστησης και της πράσινης κάλυψης, αξιοποιώντας τις άγονες εκτάσεις, ώστε να αποφευχθεί η περιβαλλοντική υποβάθμιση και η κλιματική αλλαγή. Η μεθοδολογία που υιοθετήθηκε στην παρούσα έρευνα μπορεί να αναπαραχθεί και να χρησιμοποιηθεί για περαιτέρω εις βάθος αναλύσεις σε συγκεκριμένες περιοχές μελέτης.<br /> <br /> <br /> [[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper2.3.png 2025-01-16T14:15:08Z

<p>Dimitris Delipetros: Εικόνα 3: Πρότυπα Χρήσης και Κάλυψης Γης (LULC) του Hamirpur το 2021.</p> <hr /> <div>Εικόνα 3: Πρότυπα Χρήσης και Κάλυψης Γης (LULC) του Hamirpur το 2021.</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper2.2.png 2025-01-16T14:14:42Z

<p>Dimitris Delipetros: Εικόνα. 2: Πρότυπα Χρήσης και Κάλυψης Γης (LULC) του Hamirpur το 2001 και το 2011.</p> <hr /> <div>Εικόνα. 2: Πρότυπα Χρήσης και Κάλυψης Γης (LULC) του Hamirpur το 2001 και το 2011.</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper2.1.png 2025-01-16T14:14:25Z

<p>Dimitris Delipetros: Εικόνα. 1: Χάρτης θέσης της περιοχής μελέτης.</p> <hr /> <div>Εικόνα. 1: Χάρτης θέσης της περιοχής μελέτης.</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CF%84%CE%B7%CE%B3%CE%BF%CF%81%CE%B9%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CE%AD%CE%BD%CE%B1%CE%BD_%CE%B7%CE%BC%CE%B9-%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%BF_%CF%80%CF%81%CE%BF%CF%83%CE%B1%CF%81%CE%BC%CE%BF%CF%83%CF%84%CE%B9%CE%BA%CF%8C_%CE%B1%CE%BB%CE%B3%CF%8C%CF%81%CE%B9%CE%B8%CE%BC%CE%BF_fuzzy_c-means_%CF%84%CF%8D%CF%80%CE%BF%CF%85-2_%CE%BC%CE%B5_%CE%B4%CE%B9%CE%B1%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1 2025-01-16T13:44:51Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Remote sensing image classification based on semi-supervised adaptive interval type-2 fuzzy c-means algorithm<br /> <br /> Συγγραφείς: Jindong Xu, Guozheng Feng, Tianyu Zhao, Xiao Sun, Meng Zhu<br /> <br /> Πηγή: School of Computer and Control Engineering, YanTai University, Yantai, 264005, China<br /> <br /> Λέξεις κλειδιά: Fuzzy c-means algorithm, Remote sensing image classification Semi-supervised Type-2 fuzzy set <br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.cageo.2019.06.005''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση είναι ένα αναντικατάστατο εργαλείο παρατήρησης σε παγκόσμια κλίμακα στους τομείς της γεωεπιστήμης, περιβαλλοντικής επιστήμης, διαχείρισης πόρων και έρευνας για την παγκόσμια αλλαγή. Αποτελεί τη βασική τεχνική υποστήριξης για την υλοποίηση στρατηγικών βιώσιμης ανάπτυξης (Xu et al., 2016). Η ταξινόμηση εικόνων τηλεπισκόπησης είναι το θεμελιώδες μέσο ανάλυσης και εφαρμογών στον τομέα της τηλεπισκόπησης (Du et al., 2016).<br /> Ο απώτερος στόχος της ταξινόμησης εικόνων τηλεπισκόπησης είναι να διαιρέσει την εικόνα σε πολλές περιοχές (ομάδες πίξελ). Ωστόσο, η εγγενής αβεβαιότητα των δεδομένων τηλεπισκόπησης και το φαινόμενο του &quot;ίδιου αντικειμένου με διαφορετικά φάσματα&quot; (He et al., 2016a,b; Xu et al., 2015) συχνά οδηγούν σε κακή διατύπωση των μοντέλων που χρησιμοποιούνται στους αλγορίθμους. Αυτό επηρεάζει την ακρίβεια των αποτελεσμάτων ταξινόμησης και περιορίζει την ανάπτυξη και εφαρμογή της τεχνολογίας τηλεπισκόπησης.<br /> Καθώς αυξάνεται η χωρική ανάλυση των εικόνων τηλεπισκόπησης, αυξάνονται επίσης η ποικιλία των ταξινομήσεων και η πολυπλοκότητα του θορύβου (Zhang, 2018). Οι παραδοσιακές τεχνικές ταξινόμησης εικόνων τηλεπισκόπησης που βασίζονται σε μία προσέγγιση συχνά δεν μπορούν να ανταποκριθούν στις ανάγκες επεξεργασίας ποικίλων δεδομένων τηλεπισκόπησης (Gong and Zhong, 2016).<br /> Κατηγορίες Αλγορίθμων Ταξινόμησης<br /> <br /> Οι αλγόριθμοι ταξινόμησης διακρίνονται σε δύο κατηγορίες, με βάση το αν υπάρχουν επισημασμένα δεδομένα στα μη ταξινομημένα δεδομένα:<br /> 1. Εποπτευόμενοι (Supervised): Απαιτούν πλήθος επισημασμένων δεδομένων, που είναι δύσκολο να αποκτηθούν λόγω της υψηλής διάστασης των δεδομένων τηλεπισκόπησης.<br /> 2. Μη εποπτευόμενοι (Unsupervised): Αγνοούν τις επισημάνσεις, συχνά παράγοντας διανομές δεδομένων που δεν αντανακλούν τη φύση των εικόνων τηλεπισκόπησης.<br /> Οι μέθοδοι ημι-εποπτευόμενης ταξινόμησης (Semi-Supervised) συνδυάζουν μικρό αριθμό επισημασμένων δειγμάτων με μεγάλο αριθμό μη επισημασμένων δειγμάτων, μειώνοντας την ανάγκη του ταξινομητή για επισημασμένα δείγματα και καθιστώντας την προσέγγιση αυτή μια αποτελεσματική λύση.<br /> <br /> '''Λογική και Ταξινόμηση Τηλεπισκόπησης'''<br /> <br /> Η μαθηματική θεωρία των ασαφών συνόλων (Fuzzy Sets) είναι μια αποτελεσματική μέθοδος για την έκφραση της ασάφειας και της αβεβαιότητας (Zadeh, 1965). Οι αλγόριθμοι Type-1 Fuzzy C-Means (T1FCM) έχουν μελετηθεί ευρέως, αλλά δεν είναι ιδανικοί για δεδομένα με διαφορές πυκνότητας και μεγάλη αβεβαιότητα.<br /> Αντίθετα, τα Type-2 Fuzzy Sets περιγράφουν την αβεβαιότητα των δεδομένων μέσω μιας αβέβαιης συνάρτησης συμμετοχής, καθιστώντας τα πιο κατάλληλα για την αντιμετώπιση πολλαπλών αβεβαιοτήτων στις εικόνες τηλεπισκόπησης. Ωστόσο, η υψηλή υπολογιστική πολυπλοκότητα των Type-2 Fuzzy Sets καθιστά δύσκολη την εφαρμογή τους.<br /> Η ταξινόμηση με βάση Type-2 Fuzzy Sets με Διαστήματα (Interval Type-2 Fuzzy Classification) μπορεί να περιγράψει την υψηλότερης τάξης αβεβαιότητα, μειώνοντας παράλληλα την υπολογιστική πολυπλοκότητα.<br /> <br /> [[Αρχείο:paper5.1.png]]<br /> <br /> Εικόνα 1: Διάγραμμα ροής του αλγορίθμου SS-AIT2FCM<br /> <br /> '''Μέθοδος''' <br /> <br /> Για να διατηρηθεί η καλή διατύπωση του προβλήματος ταξινόμησης και η υπολογιστική αποτελεσματικότητα του αλγορίθμου, η παρούσα εργασία προτείνει μια μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης με βάση την Ημι-εποπτευόμενη Προσαρμοστική Ταξινόμηση Fuzzy C-Means Τύπου 2 με Διαστήματα (SS-AIT2FCM).<br /> Τα αποτελέσματα δείχνουν ότι η SS-AIT2FCM βελτιώνει σημαντικά την ταξινόμηση εικόνων τηλεπισκόπησης, αντιμετωπίζοντας αποτελεσματικά την αβεβαιότητα και τα περιορισμένα επισημασμένα δεδομένα.<br /> <br /> '''Αλγόριθμος SS-AIT2FCM'''<br /> <br /> [[Αρχείο:Paper5.2.png‎ ]]<br /> <br /> Εικόνα 2: Συνάρτηση αντικειμενικού σκοπού SS-AIT2FCM<br /> <br /> Ο στόχος του αλγορίθμου SS-AIT2FCM, συνδυάζοντας μια ημι-εποπτευόμενη προσέγγιση, εκφράζεται με την συνάρτηση αντικειμενικού σκοπού που φαίνεται στην εικόνα 2. Με όρους:<br /> • λ: Το ποσοστό των επισημασμένων δειγμάτων στο σύνολο δεδομένων.<br /> • XUX_UXU: Το σύνολο μη επισημασμένων δειγμάτων.<br /> • XLX_LXL: Το σύνολο επισημασμένων δειγμάτων.<br /> • ∣XU∣|X_U|∣XU∣ και ∣XL∣|X_L|∣XL∣: Ο αριθμός των δειγμάτων στα σύνολα μη επισημασμένων και επισημασμένων δειγμάτων, αντίστοιχα.<br /> • uiju_{ij}uij: Ο βαθμός συμμετοχής (membership degree) του σημείου δεδομένων xix_ixi στο jjj-οστό σύμπλεγμα.<br /> • dijd_{ij}dij: Η απόσταση μεταξύ του σημείου δεδομένων xix_ixi και του κέντρου συμπλέγματος vpv_pvp.<br /> • ccc: Ο αριθμός των συμπλεγμάτων.<br /> Αυτή η προσέγγιση μπορεί να μειώσει τον αριθμό επαναλήψεων του αλγορίθμου και να αντισταθμίσει την αύξηση του χρόνου εκτέλεσης που προκαλείται από τη βελτίωση της ακρίβειας της ομαδοποίησης. Εάν τα κέντρα των συμπλεγμάτων αρχικοποιηθούν τυχαία, που σημαίνει ότι και ο πίνακας βαθμών συμμετοχής (membership degree matrix) αρχικοποιείται τυχαία, αυτό όχι μόνο θα αυξήσει τον αριθμό των περιττών επαναλήψεων, αλλά και θα οδηγήσει σε ασταθή αποτελέσματα ομαδοποίησης. Αντίθετα, προτείνεται να αρχικοποιούνται τα κέντρα V0 βάσει γνώσεων από ειδικούς το σύνολο επισημασμένων δειγμάτων XL) και στη συνέχεια να γίνεται αρχικοποίηση των βαθμών συμμετοχής.<br /> <br /> '''Αποτελέσματα Πειραμάτων'''<br /> <br /> Ο αλγόριθμος IT2FCM αποδίδει καλύτερα από τον T1FCM σε δεδομένα εικόνων τηλεπισκόπησης χαμηλής χωρικής ανάλυσης, με μεγάλες περιοχές μεικτών πίξελ και πλούσια χαρακτηριστικά. Ο E-AIT2FCM είναι πιο κατάλληλος από τον AIT2FCM για αυτήν την εφαρμογή. Η ακρίβεια του SS-AIT2FCM με αξιοποίηση πρότερων γνώσεων είναι σημαντικά υψηλότερη από αυτήν του μη εποπτευόμενου αλγορίθμου.<br /> Επιπλέον, ο αλγόριθμος μειώνει αποτελεσματικά τον χρόνο υπολογισμού και αντισταθμίζει την αύξηση της πολυπλοκότητας που εισάγει η μέθοδος fuzzy set τύπου 2. Αυτό επιβεβαιώνει περαιτέρω την αποτελεσματικότητα της ημι-εποπτευόμενης προσέγγισης του προτεινόμενου αλγορίθμου.<br /> Περιορισμοί και Μελλοντική Έρευνα<br /> Η επιλογή των επισημασμένων δειγμάτων πρέπει να είναι ακριβής, καθώς η ακρίβεια της ταξινόμησης έχει ακόμη περιθώρια βελτίωσης. Η αντιστοίχιση διαφορετικών δεδομένων τηλεπισκόπησης με ασαφείς αλγορίθμους και η επιλογή επισημασμένων δειγμάτων είναι ερευνητικές κατευθύνσεις που απαιτούν περαιτέρω μελέτη στο μέλλον.<br /> <br /> [[Αρχείο:paper5.3.png]]<br /> <br /> Εικόνα 3: Αποτέλεσμα πειράματος για το Summer Palace (δεδομένα SPOT5) με βάση διαφορετικές μεθόδους. (a) Αρχικές ψευδόχρωμες σύνθετες εικόνες SPOT5 (ζώνες 1, 2 και 3). (b) Αποτέλεσμα με χρήση του αλγορίθμου FCM. (c) Αποτέλεσμα με χρήση του αλγορίθμου IT2FCM με δύο δείκτες ασαφούς βαρύτητας (m₁ = 1.5 και m₂ = 4.5). (d) Αποτέλεσμα με χρήση του αλγορίθμου AIT2FCM. (e) Αποτέλεσμα με χρήση του αλγορίθμου SIIT2-FCM (m₁ = 1.5 και m₂ = 4.5). (f) Αποτέλεσμα με χρήση του εξελικτικού αλγορίθμου E-AIT2FCM, βασισμένο στον εξελικτικό δείκτη ασαφούς βαρύτητας m. (g) Αποτέλεσμα με χρήση του αλγορίθμου SS-AIT2FCM με ποσοστό επισημασμένων δειγμάτων στο 1%.(h) Χάρτης αναφοράς (Ground truth) και υπόμνημα.<br /> <br /> [[Αρχείο:paper3.3.png]]<br /> <br /> Εικόνα 3: Αποτελέσματα οπτικοποίησης διαφορετικών μεθόδων στο σετ δοκιμών EVLab-CMCD.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Σε αυτό το άρθρο, προτείνεται μια νέα μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης βασισμένη σε έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου 2 με διαστήματα (SS-AIT2FCM). Οι κύριες συνεισφορές της έρευνας συνοψίζονται ως εξής:<br /> 1. Οδηγία για πιο αξιόπιστο ασαφή δείκτη βαρύτητας (m):<br /> o Ο αλγόριθμος SS-AIT2FCM συγκρίνει επισημασμένα δείγματα με μη εποπτευόμενα αποτελέσματα και χρησιμοποιεί τον προτεινόμενο δείκτη εγκυρότητας ως μέτρο.<br /> o Η διαδικασία υπολογισμού του m είναι επαναληπτική και βασίζεται στη βελτίωση (climbing process). Με τον σχεδιασμό του δείκτη εγκυρότητας, αξιολογούνται τα αποτελέσματα ταξινόμησης για διαφορετικές τιμές του m, ώστε να εντοπιστεί η βέλτιστη.<br /> 2. Εισαγωγή του ημι-εποπτευόμενου μοντέλου στο IT2FCM:<br /> o Η SS-AIT2FCM είναι η πρώτη μέθοδος που εισάγει τη συλληπτική απόσταση ασαφούς μέτρησης και τον ημι-εποπτευόμενο τρόπο για τη δημιουργία του IT2FCM.<br /> o Συνδυάζει επισημασμένα δείγματα για την αρχικοποίηση των κέντρων και για τη βοήθεια στη διαδικασία υπολογισμού των κέντρων. Επιπλέον, η μέθοδος προσαρμοστικής μείωσης τύπου αξιοποιεί πλήρως τα επισημασμένα δείγματα.<br /> <br /> <br /> [[category:Υπολογιστικά/αλγοριθμικά θέματα]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CF%84%CE%B7%CE%B3%CE%BF%CF%81%CE%B9%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CE%AD%CE%BD%CE%B1%CE%BD_%CE%B7%CE%BC%CE%B9-%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%BF_%CF%80%CF%81%CE%BF%CF%83%CE%B1%CF%81%CE%BC%CE%BF%CF%83%CF%84%CE%B9%CE%BA%CF%8C_%CE%B1%CE%BB%CE%B3%CF%8C%CF%81%CE%B9%CE%B8%CE%BC%CE%BF_fuzzy_c-means_%CF%84%CF%8D%CF%80%CE%BF%CF%85-2_%CE%BC%CE%B5_%CE%B4%CE%B9%CE%B1%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1 2025-01-16T13:44:22Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Remote sensing image classification based on semi-supervised adaptive interval type-2 fuzzy c-means algorithm<br /> <br /> Συγγραφείς: Jindong Xu, Guozheng Feng, Tianyu Zhao, Xiao Sun, Meng Zhu<br /> <br /> Πηγή: School of Computer and Control Engineering, YanTai University, Yantai, 264005, China<br /> <br /> Λέξεις κλειδιά: Fuzzy c-means algorithm, Remote sensing image classification Semi-supervised Type-2 fuzzy set <br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.cageo.2019.06.005''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση είναι ένα αναντικατάστατο εργαλείο παρατήρησης σε παγκόσμια κλίμακα στους τομείς της γεωεπιστήμης, περιβαλλοντικής επιστήμης, διαχείρισης πόρων και έρευνας για την παγκόσμια αλλαγή. Αποτελεί τη βασική τεχνική υποστήριξης για την υλοποίηση στρατηγικών βιώσιμης ανάπτυξης (Xu et al., 2016). Η ταξινόμηση εικόνων τηλεπισκόπησης είναι το θεμελιώδες μέσο ανάλυσης και εφαρμογών στον τομέα της τηλεπισκόπησης (Du et al., 2016).<br /> Ο απώτερος στόχος της ταξινόμησης εικόνων τηλεπισκόπησης είναι να διαιρέσει την εικόνα σε πολλές περιοχές (ομάδες πίξελ). Ωστόσο, η εγγενής αβεβαιότητα των δεδομένων τηλεπισκόπησης και το φαινόμενο του &quot;ίδιου αντικειμένου με διαφορετικά φάσματα&quot; (He et al., 2016a,b; Xu et al., 2015) συχνά οδηγούν σε κακή διατύπωση των μοντέλων που χρησιμοποιούνται στους αλγορίθμους. Αυτό επηρεάζει την ακρίβεια των αποτελεσμάτων ταξινόμησης και περιορίζει την ανάπτυξη και εφαρμογή της τεχνολογίας τηλεπισκόπησης.<br /> Καθώς αυξάνεται η χωρική ανάλυση των εικόνων τηλεπισκόπησης, αυξάνονται επίσης η ποικιλία των ταξινομήσεων και η πολυπλοκότητα του θορύβου (Zhang, 2018). Οι παραδοσιακές τεχνικές ταξινόμησης εικόνων τηλεπισκόπησης που βασίζονται σε μία προσέγγιση συχνά δεν μπορούν να ανταποκριθούν στις ανάγκες επεξεργασίας ποικίλων δεδομένων τηλεπισκόπησης (Gong and Zhong, 2016).<br /> Κατηγορίες Αλγορίθμων Ταξινόμησης<br /> <br /> Οι αλγόριθμοι ταξινόμησης διακρίνονται σε δύο κατηγορίες, με βάση το αν υπάρχουν επισημασμένα δεδομένα στα μη ταξινομημένα δεδομένα:<br /> 1. Εποπτευόμενοι (Supervised): Απαιτούν πλήθος επισημασμένων δεδομένων, που είναι δύσκολο να αποκτηθούν λόγω της υψηλής διάστασης των δεδομένων τηλεπισκόπησης.<br /> 2. Μη εποπτευόμενοι (Unsupervised): Αγνοούν τις επισημάνσεις, συχνά παράγοντας διανομές δεδομένων που δεν αντανακλούν τη φύση των εικόνων τηλεπισκόπησης.<br /> Οι μέθοδοι ημι-εποπτευόμενης ταξινόμησης (Semi-Supervised) συνδυάζουν μικρό αριθμό επισημασμένων δειγμάτων με μεγάλο αριθμό μη επισημασμένων δειγμάτων, μειώνοντας την ανάγκη του ταξινομητή για επισημασμένα δείγματα και καθιστώντας την προσέγγιση αυτή μια αποτελεσματική λύση.<br /> <br /> '''Λογική και Ταξινόμηση Τηλεπισκόπησης'''<br /> <br /> Η μαθηματική θεωρία των ασαφών συνόλων (Fuzzy Sets) είναι μια αποτελεσματική μέθοδος για την έκφραση της ασάφειας και της αβεβαιότητας (Zadeh, 1965). Οι αλγόριθμοι Type-1 Fuzzy C-Means (T1FCM) έχουν μελετηθεί ευρέως, αλλά δεν είναι ιδανικοί για δεδομένα με διαφορές πυκνότητας και μεγάλη αβεβαιότητα.<br /> Αντίθετα, τα Type-2 Fuzzy Sets περιγράφουν την αβεβαιότητα των δεδομένων μέσω μιας αβέβαιης συνάρτησης συμμετοχής, καθιστώντας τα πιο κατάλληλα για την αντιμετώπιση πολλαπλών αβεβαιοτήτων στις εικόνες τηλεπισκόπησης. Ωστόσο, η υψηλή υπολογιστική πολυπλοκότητα των Type-2 Fuzzy Sets καθιστά δύσκολη την εφαρμογή τους.<br /> Η ταξινόμηση με βάση Type-2 Fuzzy Sets με Διαστήματα (Interval Type-2 Fuzzy Classification) μπορεί να περιγράψει την υψηλότερης τάξης αβεβαιότητα, μειώνοντας παράλληλα την υπολογιστική πολυπλοκότητα.<br /> <br /> [[Αρχείο:paper5.1.png]]<br /> <br /> Εικόνα 1: Διάγραμμα ροής του αλγορίθμου SS-AIT2FCM<br /> <br /> '''Μέθοδος''' <br /> <br /> Για να διατηρηθεί η καλή διατύπωση του προβλήματος ταξινόμησης και η υπολογιστική αποτελεσματικότητα του αλγορίθμου, η παρούσα εργασία προτείνει μια μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης με βάση την Ημι-εποπτευόμενη Προσαρμοστική Ταξινόμηση Fuzzy C-Means Τύπου 2 με Διαστήματα (SS-AIT2FCM).<br /> Τα αποτελέσματα δείχνουν ότι η SS-AIT2FCM βελτιώνει σημαντικά την ταξινόμηση εικόνων τηλεπισκόπησης, αντιμετωπίζοντας αποτελεσματικά την αβεβαιότητα και τα περιορισμένα επισημασμένα δεδομένα.<br /> <br /> '''Αλγόριθμος SS-AIT2FCM'''<br /> <br /> [[Αρχείο:Paper5.2.png‎ ]]<br /> <br /> Εικόνα 2: Συνάρτηση αντικειμενικού σκοπού SS-AIT2FCM<br /> <br /> Ο στόχος του αλγορίθμου SS-AIT2FCM, συνδυάζοντας μια ημι-εποπτευόμενη προσέγγιση, εκφράζεται με την συνάρτηση αντικειμενικού σκοπού που φαίνεται στην εικόνα 2. Με όρους:<br /> • λ: Το ποσοστό των επισημασμένων δειγμάτων στο σύνολο δεδομένων.<br /> • XUX_UXU: Το σύνολο μη επισημασμένων δειγμάτων.<br /> • XLX_LXL: Το σύνολο επισημασμένων δειγμάτων.<br /> • ∣XU∣|X_U|∣XU∣ και ∣XL∣|X_L|∣XL∣: Ο αριθμός των δειγμάτων στα σύνολα μη επισημασμένων και επισημασμένων δειγμάτων, αντίστοιχα.<br /> • uiju_{ij}uij: Ο βαθμός συμμετοχής (membership degree) του σημείου δεδομένων xix_ixi στο jjj-οστό σύμπλεγμα.<br /> • dijd_{ij}dij: Η απόσταση μεταξύ του σημείου δεδομένων xix_ixi και του κέντρου συμπλέγματος vpv_pvp.<br /> • ccc: Ο αριθμός των συμπλεγμάτων.<br /> Αυτή η προσέγγιση μπορεί να μειώσει τον αριθμό επαναλήψεων του αλγορίθμου και να αντισταθμίσει την αύξηση του χρόνου εκτέλεσης που προκαλείται από τη βελτίωση της ακρίβειας της ομαδοποίησης. Εάν τα κέντρα των συμπλεγμάτων αρχικοποιηθούν τυχαία, που σημαίνει ότι και ο πίνακας βαθμών συμμετοχής (membership degree matrix) αρχικοποιείται τυχαία, αυτό όχι μόνο θα αυξήσει τον αριθμό των περιττών επαναλήψεων, αλλά και θα οδηγήσει σε ασταθή αποτελέσματα ομαδοποίησης. Αντίθετα, προτείνεται να αρχικοποιούνται τα κέντρα V0 βάσει γνώσεων από ειδικούς το σύνολο επισημασμένων δειγμάτων XL) και στη συνέχεια να γίνεται αρχικοποίηση των βαθμών συμμετοχής.<br /> <br /> '''Αποτελέσματα Πειραμάτων'''<br /> <br /> Ο αλγόριθμος IT2FCM αποδίδει καλύτερα από τον T1FCM σε δεδομένα εικόνων τηλεπισκόπησης χαμηλής χωρικής ανάλυσης, με μεγάλες περιοχές μεικτών πίξελ και πλούσια χαρακτηριστικά. Ο E-AIT2FCM είναι πιο κατάλληλος από τον AIT2FCM για αυτήν την εφαρμογή. Η ακρίβεια του SS-AIT2FCM με αξιοποίηση πρότερων γνώσεων είναι σημαντικά υψηλότερη από αυτήν του μη εποπτευόμενου αλγορίθμου.<br /> Επιπλέον, ο αλγόριθμος μειώνει αποτελεσματικά τον χρόνο υπολογισμού και αντισταθμίζει την αύξηση της πολυπλοκότητας που εισάγει η μέθοδος fuzzy set τύπου 2. Αυτό επιβεβαιώνει περαιτέρω την αποτελεσματικότητα της ημι-εποπτευόμενης προσέγγισης του προτεινόμενου αλγορίθμου.<br /> Περιορισμοί και Μελλοντική Έρευνα<br /> Η επιλογή των επισημασμένων δειγμάτων πρέπει να είναι ακριβής, καθώς η ακρίβεια της ταξινόμησης έχει ακόμη περιθώρια βελτίωσης. Η αντιστοίχιση διαφορετικών δεδομένων τηλεπισκόπησης με ασαφείς αλγορίθμους και η επιλογή επισημασμένων δειγμάτων είναι ερευνητικές κατευθύνσεις που απαιτούν περαιτέρω μελέτη στο μέλλον.<br /> <br /> [[Αρχείο:paper5.3.png]]<br /> <br /> Εικόνα 3: Αποτέλεσμα πειράματος για το Summer Palace (δεδομένα SPOT5) με βάση διαφορετικές μεθόδους. (a) Αρχικές ψευδόχρωμες σύνθετες εικόνες SPOT5 (ζώνες 1, 2 και 3). (b) Αποτέλεσμα με χρήση του αλγορίθμου FCM. (c) Αποτέλεσμα με χρήση του αλγορίθμου IT2FCM με δύο δείκτες ασαφούς βαρύτητας (m₁ = 1.5 και m₂ = 4.5). (d) Αποτέλεσμα με χρήση του αλγορίθμου AIT2FCM. (e) Αποτέλεσμα με χρήση του αλγορίθμου SIIT2-FCM (m₁ = 1.5 και m₂ = 4.5). (f) Αποτέλεσμα με χρήση του εξελικτικού αλγορίθμου E-AIT2FCM, βασισμένο στον εξελικτικό δείκτη ασαφούς βαρύτητας m. (g) Αποτέλεσμα με χρήση του αλγορίθμου SS-AIT2FCM με ποσοστό επισημασμένων δειγμάτων στο 1%.(h) Χάρτης αναφοράς (Ground truth) και υπόμνημα.<br /> <br /> [[Αρχείο:paper3.3.png]]<br /> <br /> Εικόνα 3: Αποτελέσματα οπτικοποίησης διαφορετικών μεθόδων στο σετ δοκιμών EVLab-CMCD.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Σε αυτό το άρθρο, προτείναμε μια νέα μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης βασισμένη σε έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου 2 με διαστήματα (SS-AIT2FCM). Οι κύριες συνεισφορές της έρευνας συνοψίζονται ως εξής:<br /> 1. Οδηγία για πιο αξιόπιστο ασαφή δείκτη βαρύτητας (m):<br /> o Ο αλγόριθμος SS-AIT2FCM συγκρίνει επισημασμένα δείγματα με μη εποπτευόμενα αποτελέσματα και χρησιμοποιεί τον προτεινόμενο δείκτη εγκυρότητας ως μέτρο.<br /> o Η διαδικασία υπολογισμού του m είναι επαναληπτική και βασίζεται στη βελτίωση (climbing process). Με τον σχεδιασμό του δείκτη εγκυρότητας, αξιολογούνται τα αποτελέσματα ταξινόμησης για διαφορετικές τιμές του m, ώστε να εντοπιστεί η βέλτιστη.<br /> 2. Εισαγωγή του ημι-εποπτευόμενου μοντέλου στο IT2FCM:<br /> o Η SS-AIT2FCM είναι η πρώτη μέθοδος που εισάγει τη συλληπτική απόσταση ασαφούς μέτρησης και τον ημι-εποπτευόμενο τρόπο για τη δημιουργία του IT2FCM.<br /> o Συνδυάζει επισημασμένα δείγματα για την αρχικοποίηση των κέντρων και για τη βοήθεια στη διαδικασία υπολογισμού των κέντρων. Επιπλέον, η μέθοδος προσαρμοστικής μείωσης τύπου αξιοποιεί πλήρως τα επισημασμένα δείγματα.<br /> <br /> <br /> [[category:Υπολογιστικά/αλγοριθμικά θέματα]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper3.3.png 2025-01-16T13:43:51Z

<p>Dimitris Delipetros: Εικόνα 3: Αποτελέσματα οπτικοποίησης διαφορετικών μεθόδων στο σετ δοκιμών EVLab-CMCD.</p> <hr /> <div>Εικόνα 3: Αποτελέσματα οπτικοποίησης διαφορετικών μεθόδων στο σετ δοκιμών EVLab-CMCD.</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%91%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CE%BC%CE%B5%CF%84%CE%B1%CE%BE%CF%8D_%CE%99%CF%83%CF%84%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%A7%CE%B1%CF%81%CF%84%CF%8E%CE%BD_%CE%A7%CF%81%CE%AE%CF%83%CE%B7%CF%82_%CE%93%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%A3%CF%8D%CE%B3%CF%87%CF%81%CE%BF%CE%BD%CF%89%CE%BD_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%95%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD 2025-01-16T13:43:32Z

<p>Dimitris Delipetros: Νέα σελίδα με ''''Πρωτότυπος τίτλος: Cross-modal change detection using historical land use maps and current remote sensing images''' ''Συγγραφείς: Kai Denga, ...'</p> <hr /> <div>'''Πρωτότυπος τίτλος: Cross-modal change detection using historical land use maps and current remote sensing images'''<br /> <br /> ''Συγγραφείς: Kai Denga, Xiangyun Hua,b,∗, Zhili Zhanga, Bo Sua, Cunjun Fengc, Yuanzeng Zhand, Xingkun Wange, Yansong Duan <br /> <br /> Πηγή: School of Remote Sensing and Information Engineering, Wuhan University, Wuhan, 430079, Hubei, PR China ,Hubei Luojia Laboratory, Wuhan, 430079, Hubei, PR China c Zhejiang Academy of Surveying and Mapping, No. 2 Dixin Road, Yuhang District, Hangzhou, 310000, Zhejiang, PR China d Zhejiang Application Center of Nature Resources Satellite Technology, No. 2 Dixin Road, Yuhang District, Hangzhou, 310000, Zhejiang, PR China e Key Laboratory of National Geographic Census and Monitoring, MNR, No. 2 Dixin Road, Yuhang District, Hangzhou, 310000, Zhejiang, PR China<br /> <br /> Λέξεις κλειδιά: Historical land use maps, Remote sensing images, Deep learning, Cross-modal change detection<br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://www.sciencedirect.com/science/article/pii/S1877050924010317''<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η παρακολούθηση των αλλαγών στη χρήση γης, ιδιαίτερα όσον αφορά την κατασκευή, θεωρείται γενικά βασικός δείκτης αστικής ανάπτυξης (Huang et al., 2020). Η αστική εξάπλωση και η αύξηση του πληθυσμού συχνά οδηγούν σε ακατάλληλη χρήση φυσικών εκτάσεων και παράνομες κατασκευές (Singh, 1989), οι οποίες μπορούν να βλάψουν σοβαρά τα φυσικά οικοσυστήματα και να διαταράξουν την οικολογική ισορροπία. Αυτές οι διαταραχές υποβαθμίζουν όχι μόνο την περιβαλλοντική ποιότητα αλλά και απειλούν τα ανθρώπινα οικοσυστήματα και την υγεία (Chen et al., 2017). Είναι επομένως απαραίτητο να παρακολουθείται και να διαχειρίζεται η επέκταση των αστικών περιοχών έγκαιρα για την προστασία των φυσικών πόρων, τη διατήρηση της οικολογικής ισορροπίας και την προώθηση της βιώσιμης αστικής ανάπτυξης (Turner and Meyer, 1994).<br /> <br /> '''Στόχος Ερευνών''' <br /> <br /> Στόχος είναι να εντοπίζονται και να παρακολουθούνται με ακρίβεια οι αλλαγές στη χρήση γης, διευκολύνοντας την έγκαιρη ενημέρωση χαρτών κατάταξης χρήσης γης ώστε να ενισχύονται οι διαδικασίες λήψης αποφάσεων και σχεδιασμού (Du et al., 2023a). Με την εντυπωσιακή πρόοδο της δορυφορικής τεχνολογίας και της ανάλυσης βαθιάς μάθησης στη τηλεπισκόπηση, η χρήση εικόνων υψηλής ανάλυσης από δορυφόρους για ανίχνευση αλλαγών έχει γίνει η προτιμώμενη στρατηγική (Zhan et al., 2017; Daudt et al., 2018a; Alcantarilla et al., 2018; Jiang et al., 2020; Chen and Shi, 2020; Chen et al., 2021). Ωστόσο, η παραγωγή τέτοιων προϊόντων απαιτεί μεγάλους αποθηκευτικούς πόρους και περιπλέκει τη διαδικασία ανάκτησης δεδομένων καθώς ο όγκος των δορυφορικών δεδομένων αυξάνεται.<br /> <br /> <br /> <br /> '''Μέθοδος Ανίχνευσης Αλλαγών από Χάρτες σε Εικόνες (M2ICD)'''<br /> <br /> Για να ξεπεραστούν αυτά τα προβλήματα, η μέθοδος &quot;Map-to-Image Change Detection&quot; (M2ICD) αναδεικνύεται ως μια πιο κατάλληλη εναλλακτική. Η M2ICD συγκρίνει άμεσα ιστορικούς χάρτες χρήσης γης με τρέχουσες δορυφορικές εικόνες για την ανίχνευση αλλαγών. Μειώνει την εξάρτηση από συχνές ενημερώσεις δορυφόρων και προσφέρει μια πιο οικονομική και προσβάσιμη επιλογή για μακροχρόνια παρακολούθηση.<br /> Ανίχνευση Αλλαγών μεταξύ Διαφορετικών Μορφών Δεδομένων (Cross-modal change detection):<br /> Η ανίχνευση αλλαγών μεταξύ διαφορετικών μορφών δεδομένων έχει αναδειχθεί ως ένας σημαντικός τομέας έρευνας τα τελευταία χρόνια, ιδιαίτερα σε περιπτώσεις όπου δεν υπάρχουν ομοιογενείς εικόνες (Lv et al., 2022). Μια βασική πρόκληση σε αυτόν τον τομέα είναι η δημιουργία αντιστοιχιών μεταξύ διαφορετικών μορφών δεδομένων, με στόχο τη μείωση των διαφορών στις κατανομές τους.<br /> <br /> Οι πρώτες μέθοδοι χρησιμοποίησαν τεχνικές σε επίπεδο pixel για να χαρτογραφήσουν ετερογενή δεδομένα σε έναν ενιαίο χώρο χαρακτηριστικών, ιδιαίτερα για την ανίχνευση αλλαγών μεταξύ δεδομένων SAR και οπτικών εικόνων (Liu et al., 2018; Zhan et al., 2018; Zhang et al., 2016). Τα γενετικά αντιπαραθετικά δίκτυα (GANs) έχουν υιοθετηθεί για τον διαχωρισμό της διαδικασίας σε δύο βήματα: τη μετάφραση εικόνων και την ανίχνευση αλλαγών. Για παράδειγμα, το DTCDN (Li et al., 2021) χρησιμοποιεί μια προσέγγιση δύο σταδίων, αξιοποιώντας το CycleGAN (Chen et al., 2020) για τη μετάφραση εικόνων και κατόπιν εφαρμόζει βαθιά μάθηση για τη σύγκριση των μεταφρασμένων εικόνων. Το MTCDN (Du et al., 2023b) ενσωματώνει περαιτέρω το CycleGAN με δίκτυα ανίχνευσης αλλαγών για να δημιουργήσει μια ενιαία λύση για τη μετάφραση εικόνων και την ανίχνευση αλλαγών.<br /> <br /> '''Δεδομένα'''<br /> <br /> 1. EVLab-CMCD Dataset: Σκοπός: Σχεδιάστηκε για την ανίχνευση αλλαγών στη χρήση γης, με εστίαση στις κατασκευαστικές αλλαγές. Περιέχονται Ιστορικοί χάρτες χρήσης γης (2019) και αντίστοιχες δορυφορικές εικόνες (2020) από 10 περιοχές στην Κίνα. Οι χάρτες περιλαμβάνουν 13 κύριες και 56 δευτερεύουσες κατηγορίες χρήσης γης, όπως υγροβιότοποι, καλλιεργήσιμες εκτάσεις, δάση, οικιστική γη, κλπ. Οι δορυφορικές εικόνες έχουν ανάλυση 0,8 m και λήφθηκαν από δορυφόρους όπως GaoFen2 και BeiJing2. <br /> Τα δεδομένα από χαρτογράφηση μετατράπηκαν από διανυσματική μορφή σε εικόνες κλίμακας του γκρι. Διαχωρίστηκαν σε αναλογία 7:3 (εκπαίδευση:δοκιμή), καταλήγοντας σε 5225 ζεύγη για εκπαίδευση και 397 για δοκιμή.<br /> 2. HRSCD Dataset: Σκοπός: Σχεδιάστηκε για σημασιολογική ανίχνευση αλλαγών μεγάλης κλίμακας. Περιέχονται 291 ζεύγη εικόνων υψηλής ανάλυσης (2006–2012), με ανάλυση 0,5 m. Περιλαμβάνει πέντε κατηγορίες χρήσης γης: τεχνητές επιφάνειες, καλλιεργήσιμες εκτάσεις, δάση, υγροβιότοποι και υδάτινες περιοχές.<br /> Πραγματοποιήθηκε διαχωρισμός σε αναλογία 7:3 (εκπαίδευση:δοκιμή), με μέγεθος εικόνας 512 × 512 pixels.<br /> <br /> [[Αρχείο:paper3.1.png]]<br /> <br /> Εικόνα 1: Παρουσίαση του συνόλου δεδομένων EVLab-CMCD:Πάνω μέρος: Παράδειγμα αρχικών δεδομένων, με την ιστορική κατηγοριοποίηση χρήσης γης στα αριστερά και την τρέχουσα δορυφορική εικόνα στα δεξιά.Κάτω μέρος: Μεγεθυμένη προβολή, με κόκκινα σημεία που υποδεικνύουν περιοχές αλλαγών. Ο υπόμνημα δείχνει τις κατηγορίες επιπέδου-1 της ιστορικής χρήσης γης και τις κόκκινες περιοχές αλλαγών.<br /> <br /> [[Αρχείο:paper3.2.png]]<br /> <br /> Εικόνα 2: Δείγματα από το σύνολο δεδομένων EVLab-CMCD: Πρώτη σειρά: Οπτικοποίηση του ιστορικού χάρτη χρήσης γης, με κατηγορίες πρώτου επιπέδου. Δεύτερη σειρά: Παρουσίαση της τρέχουσας δορυφορικής εικόνας. Τρίτη σειρά: Ετικέτες των αλλαγών που εντοπίστηκαν.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> 1. Απόδοση CMPANet: Οι πειραματικές δοκιμές έδειξαν ότι το CMPANet υπερέχει έναντι άλλων μοντέλων σε ακρίβεια και ευελιξία. Το μοντέλο σημείωσε σημαντική βελτίωση στην ανίχνευση αλλαγών σε σύνθετα σενάρια με δεδομένα διαφορετικών μορφών.<br /> 2. Σύγκριση Δεδομένων: Το EVLab-CMCD διακρίνεται για τη λεπτομέρεια και την ποικιλία των κατηγοριών, καθιστώντας το ιδανικό για παρακολούθηση ετήσιων αλλαγών. Το HRSCD επικεντρώνεται σε μακροχρόνιες αλλαγές με λιγότερες κατηγορίες, καθιστώντας το κατάλληλο για παρατήρηση μεγάλης κλίμακας.<br /> 3. Δημόσια Διάθεση Δεδομένων: Το σύνολο EVLab-CMCD είναι διαθέσιμο στο GitHub, αποκλειστικά για ακαδημαϊκή χρήση.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Σε αυτό το άρθρο, προτείνουμε το CMPANet για την αντιμετώπιση της πρόκλησης ανίχνευσης αλλαγών μεταξύ διαφορετικών μορφών δεδομένων (cross-modal change detection) μεταξύ χαρτών και εικόνων.<br /> Η μεθοδολογία περιλαμβάνει:<br /> • Ένα μοντέλο ευθυγράμμισης για την εναρμόνιση δύο διαφορετικών μορφών δεδομένων.<br /> • Ένα μοντέλο αλληλεπίδρασης χαρακτηριστικών για την ανταλλαγή πληροφοριών μεταξύ διαφορετικών μορφών στο πλαίσιο μακροχρόνιων συμφραζομένων και εννοιών.<br /> Τα πειράματα απάλειψης (ablation) που πραγματοποιήσαμε έδειξαν τη θετική επίδραση διαφόρων μονάδων στη βελτίωση της απόδοσης, ενώ τα συγκριτικά αποτελέσματα επιβεβαίωσαν ότι η προτεινόμενη προσέγγιση αποτελεί μέθοδο αιχμής.<br /> Επιπλέον, παρουσιάσαμε το πρώτο δημόσια διαθέσιμο σύνολο δεδομένων που έχει σχεδιαστεί ειδικά για ανίχνευση αλλαγών μεταξύ χαρτών και εικόνων, το οποίο θα συμβάλει σε περαιτέρω έρευνα στον τομέα.<br /> <br /> <br /> [[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CF%84%CE%B7%CE%B3%CE%BF%CF%81%CE%B9%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CE%AD%CE%BD%CE%B1%CE%BD_%CE%B7%CE%BC%CE%B9-%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%BF_%CF%80%CF%81%CE%BF%CF%83%CE%B1%CF%81%CE%BC%CE%BF%CF%83%CF%84%CE%B9%CE%BA%CF%8C_%CE%B1%CE%BB%CE%B3%CF%8C%CF%81%CE%B9%CE%B8%CE%BC%CE%BF_fuzzy_c-means_%CF%84%CF%8D%CF%80%CE%BF%CF%85-2_%CE%BC%CE%B5_%CE%B4%CE%B9%CE%B1%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1 2025-01-16T13:38:34Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Remote sensing image classification based on semi-supervised adaptive interval type-2 fuzzy c-means algorithm<br /> <br /> Συγγραφείς: Jindong Xu, Guozheng Feng, Tianyu Zhao, Xiao Sun, Meng Zhu<br /> <br /> Πηγή: School of Computer and Control Engineering, YanTai University, Yantai, 264005, China<br /> <br /> Λέξεις κλειδιά: Fuzzy c-means algorithm, Remote sensing image classification Semi-supervised Type-2 fuzzy set <br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.cageo.2019.06.005''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση είναι ένα αναντικατάστατο εργαλείο παρατήρησης σε παγκόσμια κλίμακα στους τομείς της γεωεπιστήμης, περιβαλλοντικής επιστήμης, διαχείρισης πόρων και έρευνας για την παγκόσμια αλλαγή. Αποτελεί τη βασική τεχνική υποστήριξης για την υλοποίηση στρατηγικών βιώσιμης ανάπτυξης (Xu et al., 2016). Η ταξινόμηση εικόνων τηλεπισκόπησης είναι το θεμελιώδες μέσο ανάλυσης και εφαρμογών στον τομέα της τηλεπισκόπησης (Du et al., 2016).<br /> Ο απώτερος στόχος της ταξινόμησης εικόνων τηλεπισκόπησης είναι να διαιρέσει την εικόνα σε πολλές περιοχές (ομάδες πίξελ). Ωστόσο, η εγγενής αβεβαιότητα των δεδομένων τηλεπισκόπησης και το φαινόμενο του &quot;ίδιου αντικειμένου με διαφορετικά φάσματα&quot; (He et al., 2016a,b; Xu et al., 2015) συχνά οδηγούν σε κακή διατύπωση των μοντέλων που χρησιμοποιούνται στους αλγορίθμους. Αυτό επηρεάζει την ακρίβεια των αποτελεσμάτων ταξινόμησης και περιορίζει την ανάπτυξη και εφαρμογή της τεχνολογίας τηλεπισκόπησης.<br /> Καθώς αυξάνεται η χωρική ανάλυση των εικόνων τηλεπισκόπησης, αυξάνονται επίσης η ποικιλία των ταξινομήσεων και η πολυπλοκότητα του θορύβου (Zhang, 2018). Οι παραδοσιακές τεχνικές ταξινόμησης εικόνων τηλεπισκόπησης που βασίζονται σε μία προσέγγιση συχνά δεν μπορούν να ανταποκριθούν στις ανάγκες επεξεργασίας ποικίλων δεδομένων τηλεπισκόπησης (Gong and Zhong, 2016).<br /> Κατηγορίες Αλγορίθμων Ταξινόμησης<br /> <br /> Οι αλγόριθμοι ταξινόμησης διακρίνονται σε δύο κατηγορίες, με βάση το αν υπάρχουν επισημασμένα δεδομένα στα μη ταξινομημένα δεδομένα:<br /> 1. Εποπτευόμενοι (Supervised): Απαιτούν πλήθος επισημασμένων δεδομένων, που είναι δύσκολο να αποκτηθούν λόγω της υψηλής διάστασης των δεδομένων τηλεπισκόπησης.<br /> 2. Μη εποπτευόμενοι (Unsupervised): Αγνοούν τις επισημάνσεις, συχνά παράγοντας διανομές δεδομένων που δεν αντανακλούν τη φύση των εικόνων τηλεπισκόπησης.<br /> Οι μέθοδοι ημι-εποπτευόμενης ταξινόμησης (Semi-Supervised) συνδυάζουν μικρό αριθμό επισημασμένων δειγμάτων με μεγάλο αριθμό μη επισημασμένων δειγμάτων, μειώνοντας την ανάγκη του ταξινομητή για επισημασμένα δείγματα και καθιστώντας την προσέγγιση αυτή μια αποτελεσματική λύση.<br /> <br /> '''Λογική και Ταξινόμηση Τηλεπισκόπησης'''<br /> <br /> Η μαθηματική θεωρία των ασαφών συνόλων (Fuzzy Sets) είναι μια αποτελεσματική μέθοδος για την έκφραση της ασάφειας και της αβεβαιότητας (Zadeh, 1965). Οι αλγόριθμοι Type-1 Fuzzy C-Means (T1FCM) έχουν μελετηθεί ευρέως, αλλά δεν είναι ιδανικοί για δεδομένα με διαφορές πυκνότητας και μεγάλη αβεβαιότητα.<br /> Αντίθετα, τα Type-2 Fuzzy Sets περιγράφουν την αβεβαιότητα των δεδομένων μέσω μιας αβέβαιης συνάρτησης συμμετοχής, καθιστώντας τα πιο κατάλληλα για την αντιμετώπιση πολλαπλών αβεβαιοτήτων στις εικόνες τηλεπισκόπησης. Ωστόσο, η υψηλή υπολογιστική πολυπλοκότητα των Type-2 Fuzzy Sets καθιστά δύσκολη την εφαρμογή τους.<br /> Η ταξινόμηση με βάση Type-2 Fuzzy Sets με Διαστήματα (Interval Type-2 Fuzzy Classification) μπορεί να περιγράψει την υψηλότερης τάξης αβεβαιότητα, μειώνοντας παράλληλα την υπολογιστική πολυπλοκότητα.<br /> <br /> [[Αρχείο:paper5.1.png]]<br /> <br /> Εικόνα 1: Διάγραμμα ροής του αλγορίθμου SS-AIT2FCM<br /> <br /> '''Μέθοδος''' <br /> <br /> Για να διατηρηθεί η καλή διατύπωση του προβλήματος ταξινόμησης και η υπολογιστική αποτελεσματικότητα του αλγορίθμου, η παρούσα εργασία προτείνει μια μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης με βάση την Ημι-εποπτευόμενη Προσαρμοστική Ταξινόμηση Fuzzy C-Means Τύπου 2 με Διαστήματα (SS-AIT2FCM).<br /> Τα αποτελέσματα δείχνουν ότι η SS-AIT2FCM βελτιώνει σημαντικά την ταξινόμηση εικόνων τηλεπισκόπησης, αντιμετωπίζοντας αποτελεσματικά την αβεβαιότητα και τα περιορισμένα επισημασμένα δεδομένα.<br /> <br /> '''Αλγόριθμος SS-AIT2FCM'''<br /> <br /> [[Αρχείο:Paper5.2.png‎ ]]<br /> <br /> Εικόνα 2: Συνάρτηση αντικειμενικού σκοπού SS-AIT2FCM<br /> <br /> Ο στόχος του αλγορίθμου SS-AIT2FCM, συνδυάζοντας μια ημι-εποπτευόμενη προσέγγιση, εκφράζεται με την συνάρτηση αντικειμενικού σκοπού που φαίνεται στην εικόνα 2. Με όρους:<br /> • λ: Το ποσοστό των επισημασμένων δειγμάτων στο σύνολο δεδομένων.<br /> • XUX_UXU: Το σύνολο μη επισημασμένων δειγμάτων.<br /> • XLX_LXL: Το σύνολο επισημασμένων δειγμάτων.<br /> • ∣XU∣|X_U|∣XU∣ και ∣XL∣|X_L|∣XL∣: Ο αριθμός των δειγμάτων στα σύνολα μη επισημασμένων και επισημασμένων δειγμάτων, αντίστοιχα.<br /> • uiju_{ij}uij: Ο βαθμός συμμετοχής (membership degree) του σημείου δεδομένων xix_ixi στο jjj-οστό σύμπλεγμα.<br /> • dijd_{ij}dij: Η απόσταση μεταξύ του σημείου δεδομένων xix_ixi και του κέντρου συμπλέγματος vpv_pvp.<br /> • ccc: Ο αριθμός των συμπλεγμάτων.<br /> Αυτή η προσέγγιση μπορεί να μειώσει τον αριθμό επαναλήψεων του αλγορίθμου και να αντισταθμίσει την αύξηση του χρόνου εκτέλεσης που προκαλείται από τη βελτίωση της ακρίβειας της ομαδοποίησης. Εάν τα κέντρα των συμπλεγμάτων αρχικοποιηθούν τυχαία, που σημαίνει ότι και ο πίνακας βαθμών συμμετοχής (membership degree matrix) αρχικοποιείται τυχαία, αυτό όχι μόνο θα αυξήσει τον αριθμό των περιττών επαναλήψεων, αλλά και θα οδηγήσει σε ασταθή αποτελέσματα ομαδοποίησης. Αντίθετα, προτείνεται να αρχικοποιούνται τα κέντρα V0 βάσει γνώσεων από ειδικούς το σύνολο επισημασμένων δειγμάτων XL) και στη συνέχεια να γίνεται αρχικοποίηση των βαθμών συμμετοχής.<br /> <br /> '''Αποτελέσματα Πειραμάτων'''<br /> <br /> Ο αλγόριθμος IT2FCM αποδίδει καλύτερα από τον T1FCM σε δεδομένα εικόνων τηλεπισκόπησης χαμηλής χωρικής ανάλυσης, με μεγάλες περιοχές μεικτών πίξελ και πλούσια χαρακτηριστικά. Ο E-AIT2FCM είναι πιο κατάλληλος από τον AIT2FCM για αυτήν την εφαρμογή. Η ακρίβεια του SS-AIT2FCM με αξιοποίηση πρότερων γνώσεων είναι σημαντικά υψηλότερη από αυτήν του μη εποπτευόμενου αλγορίθμου.<br /> Επιπλέον, ο αλγόριθμος μειώνει αποτελεσματικά τον χρόνο υπολογισμού και αντισταθμίζει την αύξηση της πολυπλοκότητας που εισάγει η μέθοδος fuzzy set τύπου 2. Αυτό επιβεβαιώνει περαιτέρω την αποτελεσματικότητα της ημι-εποπτευόμενης προσέγγισης του προτεινόμενου αλγορίθμου.<br /> Περιορισμοί και Μελλοντική Έρευνα<br /> Η επιλογή των επισημασμένων δειγμάτων πρέπει να είναι ακριβής, καθώς η ακρίβεια της ταξινόμησης έχει ακόμη περιθώρια βελτίωσης. Η αντιστοίχιση διαφορετικών δεδομένων τηλεπισκόπησης με ασαφείς αλγορίθμους και η επιλογή επισημασμένων δειγμάτων είναι ερευνητικές κατευθύνσεις που απαιτούν περαιτέρω μελέτη στο μέλλον.<br /> <br /> [[Αρχείο:paper5.3.png]]<br /> <br /> Εικόνα 3: Αποτέλεσμα πειράματος για το Summer Palace (δεδομένα SPOT5) με βάση διαφορετικές μεθόδους. (a) Αρχικές ψευδόχρωμες σύνθετες εικόνες SPOT5 (ζώνες 1, 2 και 3). (b) Αποτέλεσμα με χρήση του αλγορίθμου FCM. (c) Αποτέλεσμα με χρήση του αλγορίθμου IT2FCM με δύο δείκτες ασαφούς βαρύτητας (m₁ = 1.5 και m₂ = 4.5). (d) Αποτέλεσμα με χρήση του αλγορίθμου AIT2FCM. (e) Αποτέλεσμα με χρήση του αλγορίθμου SIIT2-FCM (m₁ = 1.5 και m₂ = 4.5). (f) Αποτέλεσμα με χρήση του εξελικτικού αλγορίθμου E-AIT2FCM, βασισμένο στον εξελικτικό δείκτη ασαφούς βαρύτητας m. (g) Αποτέλεσμα με χρήση του αλγορίθμου SS-AIT2FCM με ποσοστό επισημασμένων δειγμάτων στο 1%.(h) Χάρτης αναφοράς (Ground truth) και υπόμνημα.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Σε αυτό το άρθρο, προτείναμε μια νέα μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης βασισμένη σε έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου 2 με διαστήματα (SS-AIT2FCM). Οι κύριες συνεισφορές της έρευνας συνοψίζονται ως εξής:<br /> 1. Οδηγία για πιο αξιόπιστο ασαφή δείκτη βαρύτητας (m):<br /> o Ο αλγόριθμος SS-AIT2FCM συγκρίνει επισημασμένα δείγματα με μη εποπτευόμενα αποτελέσματα και χρησιμοποιεί τον προτεινόμενο δείκτη εγκυρότητας ως μέτρο.<br /> o Η διαδικασία υπολογισμού του m είναι επαναληπτική και βασίζεται στη βελτίωση (climbing process). Με τον σχεδιασμό του δείκτη εγκυρότητας, αξιολογούνται τα αποτελέσματα ταξινόμησης για διαφορετικές τιμές του m, ώστε να εντοπιστεί η βέλτιστη.<br /> 2. Εισαγωγή του ημι-εποπτευόμενου μοντέλου στο IT2FCM:<br /> o Η SS-AIT2FCM είναι η πρώτη μέθοδος που εισάγει τη συλληπτική απόσταση ασαφούς μέτρησης και τον ημι-εποπτευόμενο τρόπο για τη δημιουργία του IT2FCM.<br /> o Συνδυάζει επισημασμένα δείγματα για την αρχικοποίηση των κέντρων και για τη βοήθεια στη διαδικασία υπολογισμού των κέντρων. Επιπλέον, η μέθοδος προσαρμοστικής μείωσης τύπου αξιοποιεί πλήρως τα επισημασμένα δείγματα.<br /> <br /> <br /> [[category:Υπολογιστικά/αλγοριθμικά θέματα]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper3.2.png 2025-01-16T13:36:24Z

<p>Dimitris Delipetros: Εικόνα 2: Δείγματα από το σύνολο δεδομένων EVLab-CMCD: Πρώτη σειρά: Οπτικοποίηση του ιστορικού χάρτη χρήσης γης, με κατηγορίες πρώτου επιπέδου. Δ�</p> <hr /> <div>Εικόνα 2: Δείγματα από το σύνολο δεδομένων EVLab-CMCD: Πρώτη σειρά: Οπτικοποίηση του ιστορικού χάρτη χρήσης γης, με κατηγορίες πρώτου επιπέδου. Δεύτερη σειρά: Παρουσίαση της τρέχουσας δορυφορικής εικόνας. Τρίτη σειρά: Ετικέτες των αλλαγών που εντοπίστηκαν.</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper3.1.png 2025-01-16T13:35:52Z

<p>Dimitris Delipetros: Εικόνα 1: Παρουσίαση του συνόλου δεδομένων EVLab-CMCD:Πάνω μέρος: Παράδειγμα αρχικών δεδομένων, με την ιστορική κατηγοριοποίηση χρήσης γης στα α</p> <hr /> <div>Εικόνα 1: Παρουσίαση του συνόλου δεδομένων EVLab-CMCD:Πάνω μέρος: Παράδειγμα αρχικών δεδομένων, με την ιστορική κατηγοριοποίηση χρήσης γης στα αριστερά και την τρέχουσα δορυφορική εικόνα στα δεξιά.Κάτω μέρος: Μεγεθυμένη προβολή, με κόκκινα σημεία που υποδεικνύουν περιοχές αλλαγών. Ο υπόμνημα δείχνει τις κατηγορίες επιπέδου-1 της ιστορικής χρήσης γης και τις κόκκινες περιοχές αλλαγών.</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-16T13:33:47Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CF%84%CE%B7%CE%B3%CE%BF%CF%81%CE%B9%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CE%AD%CE%BD%CE%B1%CE%BD_%CE%B7%CE%BC%CE%B9-%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%BF_%CF%80%CF%81%CE%BF%CF%83%CE%B1%CF%81%CE%BC%CE%BF%CF%83%CF%84%CE%B9%CE%BA%CF%8C_%CE%B1%CE%BB%CE%B3%CF%8C%CF%81%CE%B9%CE%B8%CE%BC%CE%BF_fuzzy_c-means_%CF%84%CF%8D%CF%80%CE%BF%CF%85-2_%CE%BC%CE%B5_%CE%B4%CE%B9%CE%B1%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1 2025-01-16T13:32:59Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Remote sensing image classification based on semi-supervised adaptive interval type-2 fuzzy c-means algorithm<br /> <br /> Συγγραφείς: Jindong Xu, Guozheng Feng, Tianyu Zhao, Xiao Sun, Meng Zhu<br /> <br /> Πηγή: School of Computer and Control Engineering, YanTai University, Yantai, 264005, China<br /> <br /> Λέξεις κλειδιά: Fuzzy c-means algorithm, Remote sensing image classification Semi-supervised Type-2 fuzzy set <br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.cageo.2019.06.005''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση είναι ένα αναντικατάστατο εργαλείο παρατήρησης σε παγκόσμια κλίμακα στους τομείς της γεωεπιστήμης, περιβαλλοντικής επιστήμης, διαχείρισης πόρων και έρευνας για την παγκόσμια αλλαγή. Αποτελεί τη βασική τεχνική υποστήριξης για την υλοποίηση στρατηγικών βιώσιμης ανάπτυξης (Xu et al., 2016). Η ταξινόμηση εικόνων τηλεπισκόπησης είναι το θεμελιώδες μέσο ανάλυσης και εφαρμογών στον τομέα της τηλεπισκόπησης (Du et al., 2016).<br /> Ο απώτερος στόχος της ταξινόμησης εικόνων τηλεπισκόπησης είναι να διαιρέσει την εικόνα σε πολλές περιοχές (ομάδες πίξελ). Ωστόσο, η εγγενής αβεβαιότητα των δεδομένων τηλεπισκόπησης και το φαινόμενο του &quot;ίδιου αντικειμένου με διαφορετικά φάσματα&quot; (He et al., 2016a,b; Xu et al., 2015) συχνά οδηγούν σε κακή διατύπωση των μοντέλων που χρησιμοποιούνται στους αλγορίθμους. Αυτό επηρεάζει την ακρίβεια των αποτελεσμάτων ταξινόμησης και περιορίζει την ανάπτυξη και εφαρμογή της τεχνολογίας τηλεπισκόπησης.<br /> Καθώς αυξάνεται η χωρική ανάλυση των εικόνων τηλεπισκόπησης, αυξάνονται επίσης η ποικιλία των ταξινομήσεων και η πολυπλοκότητα του θορύβου (Zhang, 2018). Οι παραδοσιακές τεχνικές ταξινόμησης εικόνων τηλεπισκόπησης που βασίζονται σε μία προσέγγιση συχνά δεν μπορούν να ανταποκριθούν στις ανάγκες επεξεργασίας ποικίλων δεδομένων τηλεπισκόπησης (Gong and Zhong, 2016).<br /> Κατηγορίες Αλγορίθμων Ταξινόμησης<br /> <br /> Οι αλγόριθμοι ταξινόμησης διακρίνονται σε δύο κατηγορίες, με βάση το αν υπάρχουν επισημασμένα δεδομένα στα μη ταξινομημένα δεδομένα:<br /> 1. Εποπτευόμενοι (Supervised): Απαιτούν πλήθος επισημασμένων δεδομένων, που είναι δύσκολο να αποκτηθούν λόγω της υψηλής διάστασης των δεδομένων τηλεπισκόπησης.<br /> 2. Μη εποπτευόμενοι (Unsupervised): Αγνοούν τις επισημάνσεις, συχνά παράγοντας διανομές δεδομένων που δεν αντανακλούν τη φύση των εικόνων τηλεπισκόπησης.<br /> Οι μέθοδοι ημι-εποπτευόμενης ταξινόμησης (Semi-Supervised) συνδυάζουν μικρό αριθμό επισημασμένων δειγμάτων με μεγάλο αριθμό μη επισημασμένων δειγμάτων, μειώνοντας την ανάγκη του ταξινομητή για επισημασμένα δείγματα και καθιστώντας την προσέγγιση αυτή μια αποτελεσματική λύση.<br /> <br /> '''Λογική και Ταξινόμηση Τηλεπισκόπησης'''<br /> <br /> Η μαθηματική θεωρία των ασαφών συνόλων (Fuzzy Sets) είναι μια αποτελεσματική μέθοδος για την έκφραση της ασάφειας και της αβεβαιότητας (Zadeh, 1965). Οι αλγόριθμοι Type-1 Fuzzy C-Means (T1FCM) έχουν μελετηθεί ευρέως, αλλά δεν είναι ιδανικοί για δεδομένα με διαφορές πυκνότητας και μεγάλη αβεβαιότητα.<br /> Αντίθετα, τα Type-2 Fuzzy Sets περιγράφουν την αβεβαιότητα των δεδομένων μέσω μιας αβέβαιης συνάρτησης συμμετοχής, καθιστώντας τα πιο κατάλληλα για την αντιμετώπιση πολλαπλών αβεβαιοτήτων στις εικόνες τηλεπισκόπησης. Ωστόσο, η υψηλή υπολογιστική πολυπλοκότητα των Type-2 Fuzzy Sets καθιστά δύσκολη την εφαρμογή τους.<br /> Η ταξινόμηση με βάση Type-2 Fuzzy Sets με Διαστήματα (Interval Type-2 Fuzzy Classification) μπορεί να περιγράψει την υψηλότερης τάξης αβεβαιότητα, μειώνοντας παράλληλα την υπολογιστική πολυπλοκότητα.<br /> <br /> [[Αρχείο:paper5.1.png]]<br /> <br /> Εικόνα 1: Διάγραμμα ροής του αλγορίθμου SS-AIT2FCM<br /> <br /> '''Μέθοδος''' <br /> <br /> Για να διατηρηθεί η καλή διατύπωση του προβλήματος ταξινόμησης και η υπολογιστική αποτελεσματικότητα του αλγορίθμου, η παρούσα εργασία προτείνει μια μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης με βάση την Ημι-εποπτευόμενη Προσαρμοστική Ταξινόμηση Fuzzy C-Means Τύπου 2 με Διαστήματα (SS-AIT2FCM).<br /> Τα αποτελέσματα δείχνουν ότι η SS-AIT2FCM βελτιώνει σημαντικά την ταξινόμηση εικόνων τηλεπισκόπησης, αντιμετωπίζοντας αποτελεσματικά την αβεβαιότητα και τα περιορισμένα επισημασμένα δεδομένα.<br /> <br /> '''Αλγόριθμος SS-AIT2FCM'''<br /> <br /> [[Αρχείο:Paper5.2.png‎ ]]<br /> <br /> Εικόνα 2: Συνάρτηση αντικειμενικού σκοπού SS-AIT2FCM<br /> <br /> Ο στόχος του αλγορίθμου SS-AIT2FCM, συνδυάζοντας μια ημι-εποπτευόμενη προσέγγιση, εκφράζεται με την συνάρτηση αντικειμενικού σκοπού που φαίνεται στην εικόνα 2. Με όρους:<br /> • λ: Το ποσοστό των επισημασμένων δειγμάτων στο σύνολο δεδομένων.<br /> • XUX_UXU: Το σύνολο μη επισημασμένων δειγμάτων.<br /> • XLX_LXL: Το σύνολο επισημασμένων δειγμάτων.<br /> • ∣XU∣|X_U|∣XU∣ και ∣XL∣|X_L|∣XL∣: Ο αριθμός των δειγμάτων στα σύνολα μη επισημασμένων και επισημασμένων δειγμάτων, αντίστοιχα.<br /> • uiju_{ij}uij: Ο βαθμός συμμετοχής (membership degree) του σημείου δεδομένων xix_ixi στο jjj-οστό σύμπλεγμα.<br /> • dijd_{ij}dij: Η απόσταση μεταξύ του σημείου δεδομένων xix_ixi και του κέντρου συμπλέγματος vpv_pvp.<br /> • ccc: Ο αριθμός των συμπλεγμάτων.<br /> Αυτή η προσέγγιση μπορεί να μειώσει τον αριθμό επαναλήψεων του αλγορίθμου και να αντισταθμίσει την αύξηση του χρόνου εκτέλεσης που προκαλείται από τη βελτίωση της ακρίβειας της ομαδοποίησης. Εάν τα κέντρα των συμπλεγμάτων αρχικοποιηθούν τυχαία, που σημαίνει ότι και ο πίνακας βαθμών συμμετοχής (membership degree matrix) αρχικοποιείται τυχαία, αυτό όχι μόνο θα αυξήσει τον αριθμό των περιττών επαναλήψεων, αλλά και θα οδηγήσει σε ασταθή αποτελέσματα ομαδοποίησης. Αντίθετα, προτείνεται να αρχικοποιούνται τα κέντρα V0 βάσει γνώσεων από ειδικούς το σύνολο επισημασμένων δειγμάτων XL) και στη συνέχεια να γίνεται αρχικοποίηση των βαθμών συμμετοχής.<br /> <br /> '''Αποτελέσματα Πειραμάτων'''<br /> <br /> Ο αλγόριθμος IT2FCM αποδίδει καλύτερα από τον T1FCM σε δεδομένα εικόνων τηλεπισκόπησης χαμηλής χωρικής ανάλυσης, με μεγάλες περιοχές μεικτών πίξελ και πλούσια χαρακτηριστικά. Ο E-AIT2FCM είναι πιο κατάλληλος από τον AIT2FCM για αυτήν την εφαρμογή. Η ακρίβεια του SS-AIT2FCM με αξιοποίηση πρότερων γνώσεων είναι σημαντικά υψηλότερη από αυτήν του μη εποπτευόμενου αλγορίθμου.<br /> Επιπλέον, ο αλγόριθμος μειώνει αποτελεσματικά τον χρόνο υπολογισμού και αντισταθμίζει την αύξηση της πολυπλοκότητας που εισάγει η μέθοδος fuzzy set τύπου 2. Αυτό επιβεβαιώνει περαιτέρω την αποτελεσματικότητα της ημι-εποπτευόμενης προσέγγισης του προτεινόμενου αλγορίθμου.<br /> Περιορισμοί και Μελλοντική Έρευνα<br /> Η επιλογή των επισημασμένων δειγμάτων πρέπει να είναι ακριβής, καθώς η ακρίβεια της ταξινόμησης έχει ακόμη περιθώρια βελτίωσης. Η αντιστοίχιση διαφορετικών δεδομένων τηλεπισκόπησης με ασαφείς αλγορίθμους και η επιλογή επισημασμένων δειγμάτων είναι ερευνητικές κατευθύνσεις που απαιτούν περαιτέρω μελέτη στο μέλλον.<br /> <br /> [[Αρχείο:paper5.3.png]]<br /> <br /> Εικόνα 3: Αποτέλεσμα πειράματος για το Summer Palace (δεδομένα SPOT5) με βάση διαφορετικές μεθόδους. (a) Αρχικές ψευδόχρωμες σύνθετες εικόνες SPOT5 (ζώνες 1, 2 και 3). (b) Αποτέλεσμα με χρήση του αλγορίθμου FCM. (c) Αποτέλεσμα με χρήση του αλγορίθμου IT2FCM με δύο δείκτες ασαφούς βαρύτητας (m₁ = 1.5 και m₂ = 4.5). (d) Αποτέλεσμα με χρήση του αλγορίθμου AIT2FCM. (e) Αποτέλεσμα με χρήση του αλγορίθμου SIIT2-FCM (m₁ = 1.5 και m₂ = 4.5). (f) Αποτέλεσμα με χρήση του εξελικτικού αλγορίθμου E-AIT2FCM, βασισμένο στον εξελικτικό δείκτη ασαφούς βαρύτητας m. (g) Αποτέλεσμα με χρήση του αλγορίθμου SS-AIT2FCM με ποσοστό επισημασμένων δειγμάτων στο 1%.(h) Χάρτης αναφοράς (Ground truth) και υπόμνημα.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Σε αυτό το άρθρο, προτείναμε μια νέα μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης βασισμένη σε έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου 2 με διαστήματα (SS-AIT2FCM). Οι κύριες συνεισφορές της έρευνας συνοψίζονται ως εξής:<br /> 1. Οδηγία για πιο αξιόπιστο ασαφή δείκτη βαρύτητας (m):<br /> o Ο αλγόριθμος SS-AIT2FCM συγκρίνει επισημασμένα δείγματα με μη εποπτευόμενα αποτελέσματα και χρησιμοποιεί τον προτεινόμενο δείκτη εγκυρότητας ως μέτρο.<br /> o Η διαδικασία υπολογισμού του m είναι επαναληπτική και βασίζεται στη βελτίωση (climbing process). Με τον σχεδιασμό του δείκτη εγκυρότητας, αξιολογούνται τα αποτελέσματα ταξινόμησης για διαφορετικές τιμές του m, ώστε να εντοπιστεί η βέλτιστη.<br /> 2. Εισαγωγή του ημι-εποπτευόμενου μοντέλου στο IT2FCM:<br /> o Η SS-AIT2FCM είναι η πρώτη μέθοδος που εισάγει τη συλληπτική απόσταση ασαφούς μέτρησης και τον ημι-εποπτευόμενο τρόπο για τη δημιουργία του IT2FCM.<br /> o Συνδυάζει επισημασμένα δείγματα για την αρχικοποίηση των κέντρων και για τη βοήθεια στη διαδικασία υπολογισμού των κέντρων. Επιπλέον, η μέθοδος προσαρμοστικής μείωσης τύπου αξιοποιεί πλήρως τα επισημασμένα δείγματα.<br /> <br /> <br /> [[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CF%84%CE%B7%CE%B3%CE%BF%CF%81%CE%B9%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CE%AD%CE%BD%CE%B1%CE%BD_%CE%B7%CE%BC%CE%B9-%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%BF_%CF%80%CF%81%CE%BF%CF%83%CE%B1%CF%81%CE%BC%CE%BF%CF%83%CF%84%CE%B9%CE%BA%CF%8C_%CE%B1%CE%BB%CE%B3%CF%8C%CF%81%CE%B9%CE%B8%CE%BC%CE%BF_fuzzy_c-means_%CF%84%CF%8D%CF%80%CE%BF%CF%85-2_%CE%BC%CE%B5_%CE%B4%CE%B9%CE%B1%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1 2025-01-16T13:32:27Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Remote sensing image classification based on semi-supervised adaptive interval type-2 fuzzy c-means algorithm<br /> <br /> Συγγραφείς: Jindong Xu, Guozheng Feng, Tianyu Zhao, Xiao Sun, Meng Zhu<br /> <br /> Πηγή: School of Computer and Control Engineering, YanTai University, Yantai, 264005, China<br /> <br /> Λέξεις κλειδιά: Fuzzy c-means algorithm, Remote sensing image classification Semi-supervised Type-2 fuzzy set <br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.cageo.2019.06.005''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση είναι ένα αναντικατάστατο εργαλείο παρατήρησης σε παγκόσμια κλίμακα στους τομείς της γεωεπιστήμης, περιβαλλοντικής επιστήμης, διαχείρισης πόρων και έρευνας για την παγκόσμια αλλαγή. Αποτελεί τη βασική τεχνική υποστήριξης για την υλοποίηση στρατηγικών βιώσιμης ανάπτυξης (Xu et al., 2016). Η ταξινόμηση εικόνων τηλεπισκόπησης είναι το θεμελιώδες μέσο ανάλυσης και εφαρμογών στον τομέα της τηλεπισκόπησης (Du et al., 2016).<br /> Ο απώτερος στόχος της ταξινόμησης εικόνων τηλεπισκόπησης είναι να διαιρέσει την εικόνα σε πολλές περιοχές (ομάδες πίξελ). Ωστόσο, η εγγενής αβεβαιότητα των δεδομένων τηλεπισκόπησης και το φαινόμενο του &quot;ίδιου αντικειμένου με διαφορετικά φάσματα&quot; (He et al., 2016a,b; Xu et al., 2015) συχνά οδηγούν σε κακή διατύπωση των μοντέλων που χρησιμοποιούνται στους αλγορίθμους. Αυτό επηρεάζει την ακρίβεια των αποτελεσμάτων ταξινόμησης και περιορίζει την ανάπτυξη και εφαρμογή της τεχνολογίας τηλεπισκόπησης.<br /> Καθώς αυξάνεται η χωρική ανάλυση των εικόνων τηλεπισκόπησης, αυξάνονται επίσης η ποικιλία των ταξινομήσεων και η πολυπλοκότητα του θορύβου (Zhang, 2018). Οι παραδοσιακές τεχνικές ταξινόμησης εικόνων τηλεπισκόπησης που βασίζονται σε μία προσέγγιση συχνά δεν μπορούν να ανταποκριθούν στις ανάγκες επεξεργασίας ποικίλων δεδομένων τηλεπισκόπησης (Gong and Zhong, 2016).<br /> Κατηγορίες Αλγορίθμων Ταξινόμησης<br /> <br /> Οι αλγόριθμοι ταξινόμησης διακρίνονται σε δύο κατηγορίες, με βάση το αν υπάρχουν επισημασμένα δεδομένα στα μη ταξινομημένα δεδομένα:<br /> 1. Εποπτευόμενοι (Supervised): Απαιτούν πλήθος επισημασμένων δεδομένων, που είναι δύσκολο να αποκτηθούν λόγω της υψηλής διάστασης των δεδομένων τηλεπισκόπησης.<br /> 2. Μη εποπτευόμενοι (Unsupervised): Αγνοούν τις επισημάνσεις, συχνά παράγοντας διανομές δεδομένων που δεν αντανακλούν τη φύση των εικόνων τηλεπισκόπησης.<br /> Οι μέθοδοι ημι-εποπτευόμενης ταξινόμησης (Semi-Supervised) συνδυάζουν μικρό αριθμό επισημασμένων δειγμάτων με μεγάλο αριθμό μη επισημασμένων δειγμάτων, μειώνοντας την ανάγκη του ταξινομητή για επισημασμένα δείγματα και καθιστώντας την προσέγγιση αυτή μια αποτελεσματική λύση.<br /> <br /> '''Λογική και Ταξινόμηση Τηλεπισκόπησης'''<br /> <br /> Η μαθηματική θεωρία των ασαφών συνόλων (Fuzzy Sets) είναι μια αποτελεσματική μέθοδος για την έκφραση της ασάφειας και της αβεβαιότητας (Zadeh, 1965). Οι αλγόριθμοι Type-1 Fuzzy C-Means (T1FCM) έχουν μελετηθεί ευρέως, αλλά δεν είναι ιδανικοί για δεδομένα με διαφορές πυκνότητας και μεγάλη αβεβαιότητα.<br /> Αντίθετα, τα Type-2 Fuzzy Sets περιγράφουν την αβεβαιότητα των δεδομένων μέσω μιας αβέβαιης συνάρτησης συμμετοχής, καθιστώντας τα πιο κατάλληλα για την αντιμετώπιση πολλαπλών αβεβαιοτήτων στις εικόνες τηλεπισκόπησης. Ωστόσο, η υψηλή υπολογιστική πολυπλοκότητα των Type-2 Fuzzy Sets καθιστά δύσκολη την εφαρμογή τους.<br /> Η ταξινόμηση με βάση Type-2 Fuzzy Sets με Διαστήματα (Interval Type-2 Fuzzy Classification) μπορεί να περιγράψει την υψηλότερης τάξης αβεβαιότητα, μειώνοντας παράλληλα την υπολογιστική πολυπλοκότητα.<br /> <br /> [[Αρχείο:paper5.1.png]]<br /> <br /> Εικόνα 1: Διάγραμμα ροής του αλγορίθμου SS-AIT2FCM<br /> <br /> '''Μέθοδος''' <br /> <br /> Για να διατηρηθεί η καλή διατύπωση του προβλήματος ταξινόμησης και η υπολογιστική αποτελεσματικότητα του αλγορίθμου, η παρούσα εργασία προτείνει μια μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης με βάση την Ημι-εποπτευόμενη Προσαρμοστική Ταξινόμηση Fuzzy C-Means Τύπου 2 με Διαστήματα (SS-AIT2FCM).<br /> Τα αποτελέσματα δείχνουν ότι η SS-AIT2FCM βελτιώνει σημαντικά την ταξινόμηση εικόνων τηλεπισκόπησης, αντιμετωπίζοντας αποτελεσματικά την αβεβαιότητα και τα περιορισμένα επισημασμένα δεδομένα.<br /> <br /> '''Αλγόριθμος SS-AIT2FCM'''<br /> <br /> [[Αρχείο:Paper5.2.png‎ (554 × 114 εικονοστοιχεία, μέγεθος αρχείου: 8 KB, τύπος MIME: image/png)]<br /> <br /> Εικόνα 2: Συνάρτηση αντικειμενικού σκοπού SS-AIT2FCM<br /> <br /> Ο στόχος του αλγορίθμου SS-AIT2FCM, συνδυάζοντας μια ημι-εποπτευόμενη προσέγγιση, εκφράζεται με την συνάρτηση αντικειμενικού σκοπού που φαίνεται στην εικόνα 2. Με όρους:<br /> • λ: Το ποσοστό των επισημασμένων δειγμάτων στο σύνολο δεδομένων.<br /> • XUX_UXU: Το σύνολο μη επισημασμένων δειγμάτων.<br /> • XLX_LXL: Το σύνολο επισημασμένων δειγμάτων.<br /> • ∣XU∣|X_U|∣XU∣ και ∣XL∣|X_L|∣XL∣: Ο αριθμός των δειγμάτων στα σύνολα μη επισημασμένων και επισημασμένων δειγμάτων, αντίστοιχα.<br /> • uiju_{ij}uij: Ο βαθμός συμμετοχής (membership degree) του σημείου δεδομένων xix_ixi στο jjj-οστό σύμπλεγμα.<br /> • dijd_{ij}dij: Η απόσταση μεταξύ του σημείου δεδομένων xix_ixi και του κέντρου συμπλέγματος vpv_pvp.<br /> • ccc: Ο αριθμός των συμπλεγμάτων.<br /> Αυτή η προσέγγιση μπορεί να μειώσει τον αριθμό επαναλήψεων του αλγορίθμου και να αντισταθμίσει την αύξηση του χρόνου εκτέλεσης που προκαλείται από τη βελτίωση της ακρίβειας της ομαδοποίησης. Εάν τα κέντρα των συμπλεγμάτων αρχικοποιηθούν τυχαία, που σημαίνει ότι και ο πίνακας βαθμών συμμετοχής (membership degree matrix) αρχικοποιείται τυχαία, αυτό όχι μόνο θα αυξήσει τον αριθμό των περιττών επαναλήψεων, αλλά και θα οδηγήσει σε ασταθή αποτελέσματα ομαδοποίησης. Αντίθετα, προτείνεται να αρχικοποιούνται τα κέντρα V0 βάσει γνώσεων από ειδικούς το σύνολο επισημασμένων δειγμάτων XL) και στη συνέχεια να γίνεται αρχικοποίηση των βαθμών συμμετοχής.<br /> <br /> '''Αποτελέσματα Πειραμάτων'''<br /> <br /> Ο αλγόριθμος IT2FCM αποδίδει καλύτερα από τον T1FCM σε δεδομένα εικόνων τηλεπισκόπησης χαμηλής χωρικής ανάλυσης, με μεγάλες περιοχές μεικτών πίξελ και πλούσια χαρακτηριστικά. Ο E-AIT2FCM είναι πιο κατάλληλος από τον AIT2FCM για αυτήν την εφαρμογή. Η ακρίβεια του SS-AIT2FCM με αξιοποίηση πρότερων γνώσεων είναι σημαντικά υψηλότερη από αυτήν του μη εποπτευόμενου αλγορίθμου.<br /> Επιπλέον, ο αλγόριθμος μειώνει αποτελεσματικά τον χρόνο υπολογισμού και αντισταθμίζει την αύξηση της πολυπλοκότητας που εισάγει η μέθοδος fuzzy set τύπου 2. Αυτό επιβεβαιώνει περαιτέρω την αποτελεσματικότητα της ημι-εποπτευόμενης προσέγγισης του προτεινόμενου αλγορίθμου.<br /> Περιορισμοί και Μελλοντική Έρευνα<br /> Η επιλογή των επισημασμένων δειγμάτων πρέπει να είναι ακριβής, καθώς η ακρίβεια της ταξινόμησης έχει ακόμη περιθώρια βελτίωσης. Η αντιστοίχιση διαφορετικών δεδομένων τηλεπισκόπησης με ασαφείς αλγορίθμους και η επιλογή επισημασμένων δειγμάτων είναι ερευνητικές κατευθύνσεις που απαιτούν περαιτέρω μελέτη στο μέλλον.<br /> <br /> [[Αρχείο:paper5.3.png]]<br /> <br /> Εικόνα 3: Αποτέλεσμα πειράματος για το Summer Palace (δεδομένα SPOT5) με βάση διαφορετικές μεθόδους. (a) Αρχικές ψευδόχρωμες σύνθετες εικόνες SPOT5 (ζώνες 1, 2 και 3). (b) Αποτέλεσμα με χρήση του αλγορίθμου FCM. (c) Αποτέλεσμα με χρήση του αλγορίθμου IT2FCM με δύο δείκτες ασαφούς βαρύτητας (m₁ = 1.5 και m₂ = 4.5). (d) Αποτέλεσμα με χρήση του αλγορίθμου AIT2FCM. (e) Αποτέλεσμα με χρήση του αλγορίθμου SIIT2-FCM (m₁ = 1.5 και m₂ = 4.5). (f) Αποτέλεσμα με χρήση του εξελικτικού αλγορίθμου E-AIT2FCM, βασισμένο στον εξελικτικό δείκτη ασαφούς βαρύτητας m. (g) Αποτέλεσμα με χρήση του αλγορίθμου SS-AIT2FCM με ποσοστό επισημασμένων δειγμάτων στο 1%.(h) Χάρτης αναφοράς (Ground truth) και υπόμνημα.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Σε αυτό το άρθρο, προτείναμε μια νέα μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης βασισμένη σε έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου 2 με διαστήματα (SS-AIT2FCM). Οι κύριες συνεισφορές της έρευνας συνοψίζονται ως εξής:<br /> 1. Οδηγία για πιο αξιόπιστο ασαφή δείκτη βαρύτητας (m):<br /> o Ο αλγόριθμος SS-AIT2FCM συγκρίνει επισημασμένα δείγματα με μη εποπτευόμενα αποτελέσματα και χρησιμοποιεί τον προτεινόμενο δείκτη εγκυρότητας ως μέτρο.<br /> o Η διαδικασία υπολογισμού του m είναι επαναληπτική και βασίζεται στη βελτίωση (climbing process). Με τον σχεδιασμό του δείκτη εγκυρότητας, αξιολογούνται τα αποτελέσματα ταξινόμησης για διαφορετικές τιμές του m, ώστε να εντοπιστεί η βέλτιστη.<br /> 2. Εισαγωγή του ημι-εποπτευόμενου μοντέλου στο IT2FCM:<br /> o Η SS-AIT2FCM είναι η πρώτη μέθοδος που εισάγει τη συλληπτική απόσταση ασαφούς μέτρησης και τον ημι-εποπτευόμενο τρόπο για τη δημιουργία του IT2FCM.<br /> o Συνδυάζει επισημασμένα δείγματα για την αρχικοποίηση των κέντρων και για τη βοήθεια στη διαδικασία υπολογισμού των κέντρων. Επιπλέον, η μέθοδος προσαρμοστικής μείωσης τύπου αξιοποιεί πλήρως τα επισημασμένα δείγματα.<br /> <br /> <br /> [[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CF%84%CE%B7%CE%B3%CE%BF%CF%81%CE%B9%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CE%AD%CE%BD%CE%B1%CE%BD_%CE%B7%CE%BC%CE%B9-%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%BF_%CF%80%CF%81%CE%BF%CF%83%CE%B1%CF%81%CE%BC%CE%BF%CF%83%CF%84%CE%B9%CE%BA%CF%8C_%CE%B1%CE%BB%CE%B3%CF%8C%CF%81%CE%B9%CE%B8%CE%BC%CE%BF_fuzzy_c-means_%CF%84%CF%8D%CF%80%CE%BF%CF%85-2_%CE%BC%CE%B5_%CE%B4%CE%B9%CE%B1%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1 2025-01-16T13:29:58Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Remote sensing image classification based on semi-supervised adaptive interval type-2 fuzzy c-means algorithm<br /> <br /> Συγγραφείς: Jindong Xu, Guozheng Feng, Tianyu Zhao, Xiao Sun, Meng Zhu<br /> <br /> Πηγή: School of Computer and Control Engineering, YanTai University, Yantai, 264005, China<br /> <br /> Λέξεις κλειδιά: Fuzzy c-means algorithm, Remote sensing image classification Semi-supervised Type-2 fuzzy set <br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.cageo.2019.06.005''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση είναι ένα αναντικατάστατο εργαλείο παρατήρησης σε παγκόσμια κλίμακα στους τομείς της γεωεπιστήμης, περιβαλλοντικής επιστήμης, διαχείρισης πόρων και έρευνας για την παγκόσμια αλλαγή. Αποτελεί τη βασική τεχνική υποστήριξης για την υλοποίηση στρατηγικών βιώσιμης ανάπτυξης (Xu et al., 2016). Η ταξινόμηση εικόνων τηλεπισκόπησης είναι το θεμελιώδες μέσο ανάλυσης και εφαρμογών στον τομέα της τηλεπισκόπησης (Du et al., 2016).<br /> Ο απώτερος στόχος της ταξινόμησης εικόνων τηλεπισκόπησης είναι να διαιρέσει την εικόνα σε πολλές περιοχές (ομάδες πίξελ). Ωστόσο, η εγγενής αβεβαιότητα των δεδομένων τηλεπισκόπησης και το φαινόμενο του &quot;ίδιου αντικειμένου με διαφορετικά φάσματα&quot; (He et al., 2016a,b; Xu et al., 2015) συχνά οδηγούν σε κακή διατύπωση των μοντέλων που χρησιμοποιούνται στους αλγορίθμους. Αυτό επηρεάζει την ακρίβεια των αποτελεσμάτων ταξινόμησης και περιορίζει την ανάπτυξη και εφαρμογή της τεχνολογίας τηλεπισκόπησης.<br /> Καθώς αυξάνεται η χωρική ανάλυση των εικόνων τηλεπισκόπησης, αυξάνονται επίσης η ποικιλία των ταξινομήσεων και η πολυπλοκότητα του θορύβου (Zhang, 2018). Οι παραδοσιακές τεχνικές ταξινόμησης εικόνων τηλεπισκόπησης που βασίζονται σε μία προσέγγιση συχνά δεν μπορούν να ανταποκριθούν στις ανάγκες επεξεργασίας ποικίλων δεδομένων τηλεπισκόπησης (Gong and Zhong, 2016).<br /> Κατηγορίες Αλγορίθμων Ταξινόμησης<br /> <br /> Οι αλγόριθμοι ταξινόμησης διακρίνονται σε δύο κατηγορίες, με βάση το αν υπάρχουν επισημασμένα δεδομένα στα μη ταξινομημένα δεδομένα:<br /> 1. Εποπτευόμενοι (Supervised): Απαιτούν πλήθος επισημασμένων δεδομένων, που είναι δύσκολο να αποκτηθούν λόγω της υψηλής διάστασης των δεδομένων τηλεπισκόπησης.<br /> 2. Μη εποπτευόμενοι (Unsupervised): Αγνοούν τις επισημάνσεις, συχνά παράγοντας διανομές δεδομένων που δεν αντανακλούν τη φύση των εικόνων τηλεπισκόπησης.<br /> Οι μέθοδοι ημι-εποπτευόμενης ταξινόμησης (Semi-Supervised) συνδυάζουν μικρό αριθμό επισημασμένων δειγμάτων με μεγάλο αριθμό μη επισημασμένων δειγμάτων, μειώνοντας την ανάγκη του ταξινομητή για επισημασμένα δείγματα και καθιστώντας την προσέγγιση αυτή μια αποτελεσματική λύση.<br /> <br /> '''Λογική και Ταξινόμηση Τηλεπισκόπησης'''<br /> <br /> Η μαθηματική θεωρία των ασαφών συνόλων (Fuzzy Sets) είναι μια αποτελεσματική μέθοδος για την έκφραση της ασάφειας και της αβεβαιότητας (Zadeh, 1965). Οι αλγόριθμοι Type-1 Fuzzy C-Means (T1FCM) έχουν μελετηθεί ευρέως, αλλά δεν είναι ιδανικοί για δεδομένα με διαφορές πυκνότητας και μεγάλη αβεβαιότητα.<br /> Αντίθετα, τα Type-2 Fuzzy Sets περιγράφουν την αβεβαιότητα των δεδομένων μέσω μιας αβέβαιης συνάρτησης συμμετοχής, καθιστώντας τα πιο κατάλληλα για την αντιμετώπιση πολλαπλών αβεβαιοτήτων στις εικόνες τηλεπισκόπησης. Ωστόσο, η υψηλή υπολογιστική πολυπλοκότητα των Type-2 Fuzzy Sets καθιστά δύσκολη την εφαρμογή τους.<br /> Η ταξινόμηση με βάση Type-2 Fuzzy Sets με Διαστήματα (Interval Type-2 Fuzzy Classification) μπορεί να περιγράψει την υψηλότερης τάξης αβεβαιότητα, μειώνοντας παράλληλα την υπολογιστική πολυπλοκότητα.<br /> <br /> [[Αρχείο:paper5.1.png]]<br /> <br /> Εικόνα 1: Διάγραμμα ροής του αλγορίθμου SS-AIT2FCM<br /> <br /> '''Μέθοδος''' <br /> <br /> Για να διατηρηθεί η καλή διατύπωση του προβλήματος ταξινόμησης και η υπολογιστική αποτελεσματικότητα του αλγορίθμου, η παρούσα εργασία προτείνει μια μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης με βάση την Ημι-εποπτευόμενη Προσαρμοστική Ταξινόμηση Fuzzy C-Means Τύπου 2 με Διαστήματα (SS-AIT2FCM).<br /> Τα αποτελέσματα δείχνουν ότι η SS-AIT2FCM βελτιώνει σημαντικά την ταξινόμηση εικόνων τηλεπισκόπησης, αντιμετωπίζοντας αποτελεσματικά την αβεβαιότητα και τα περιορισμένα επισημασμένα δεδομένα.<br /> <br /> '''Αλγόριθμος SS-AIT2FCM'''<br /> <br /> [[Αρχείο:Paper5.2.png]<br /> <br /> Εικόνα 2: Συνάρτηση αντικειμενικού σκοπού SS-AIT2FCM<br /> <br /> Ο στόχος του αλγορίθμου SS-AIT2FCM, συνδυάζοντας μια ημι-εποπτευόμενη προσέγγιση, εκφράζεται με την συνάρτηση αντικειμενικού σκοπού που φαίνεται στην εικόνα 2. Με όρους:<br /> • λ: Το ποσοστό των επισημασμένων δειγμάτων στο σύνολο δεδομένων.<br /> • XUX_UXU: Το σύνολο μη επισημασμένων δειγμάτων.<br /> • XLX_LXL: Το σύνολο επισημασμένων δειγμάτων.<br /> • ∣XU∣|X_U|∣XU∣ και ∣XL∣|X_L|∣XL∣: Ο αριθμός των δειγμάτων στα σύνολα μη επισημασμένων και επισημασμένων δειγμάτων, αντίστοιχα.<br /> • uiju_{ij}uij: Ο βαθμός συμμετοχής (membership degree) του σημείου δεδομένων xix_ixi στο jjj-οστό σύμπλεγμα.<br /> • dijd_{ij}dij: Η απόσταση μεταξύ του σημείου δεδομένων xix_ixi και του κέντρου συμπλέγματος vpv_pvp.<br /> • ccc: Ο αριθμός των συμπλεγμάτων.<br /> Αυτή η προσέγγιση μπορεί να μειώσει τον αριθμό επαναλήψεων του αλγορίθμου και να αντισταθμίσει την αύξηση του χρόνου εκτέλεσης που προκαλείται από τη βελτίωση της ακρίβειας της ομαδοποίησης. Εάν τα κέντρα των συμπλεγμάτων αρχικοποιηθούν τυχαία, που σημαίνει ότι και ο πίνακας βαθμών συμμετοχής (membership degree matrix) αρχικοποιείται τυχαία, αυτό όχι μόνο θα αυξήσει τον αριθμό των περιττών επαναλήψεων, αλλά και θα οδηγήσει σε ασταθή αποτελέσματα ομαδοποίησης. Αντίθετα, προτείνεται να αρχικοποιούνται τα κέντρα V0 βάσει γνώσεων από ειδικούς το σύνολο επισημασμένων δειγμάτων XL) και στη συνέχεια να γίνεται αρχικοποίηση των βαθμών συμμετοχής.<br /> <br /> '''Αποτελέσματα Πειραμάτων'''<br /> <br /> Ο αλγόριθμος IT2FCM αποδίδει καλύτερα από τον T1FCM σε δεδομένα εικόνων τηλεπισκόπησης χαμηλής χωρικής ανάλυσης, με μεγάλες περιοχές μεικτών πίξελ και πλούσια χαρακτηριστικά. Ο E-AIT2FCM είναι πιο κατάλληλος από τον AIT2FCM για αυτήν την εφαρμογή. Η ακρίβεια του SS-AIT2FCM με αξιοποίηση πρότερων γνώσεων είναι σημαντικά υψηλότερη από αυτήν του μη εποπτευόμενου αλγορίθμου.<br /> Επιπλέον, ο αλγόριθμος μειώνει αποτελεσματικά τον χρόνο υπολογισμού και αντισταθμίζει την αύξηση της πολυπλοκότητας που εισάγει η μέθοδος fuzzy set τύπου 2. Αυτό επιβεβαιώνει περαιτέρω την αποτελεσματικότητα της ημι-εποπτευόμενης προσέγγισης του προτεινόμενου αλγορίθμου.<br /> Περιορισμοί και Μελλοντική Έρευνα<br /> Η επιλογή των επισημασμένων δειγμάτων πρέπει να είναι ακριβής, καθώς η ακρίβεια της ταξινόμησης έχει ακόμη περιθώρια βελτίωσης. Η αντιστοίχιση διαφορετικών δεδομένων τηλεπισκόπησης με ασαφείς αλγορίθμους και η επιλογή επισημασμένων δειγμάτων είναι ερευνητικές κατευθύνσεις που απαιτούν περαιτέρω μελέτη στο μέλλον.<br /> <br /> [[Αρχείο:paper5.3.png]]<br /> <br /> Εικόνα 3: Αποτέλεσμα πειράματος για το Summer Palace (δεδομένα SPOT5) με βάση διαφορετικές μεθόδους. (a) Αρχικές ψευδόχρωμες σύνθετες εικόνες SPOT5 (ζώνες 1, 2 και 3). (b) Αποτέλεσμα με χρήση του αλγορίθμου FCM. (c) Αποτέλεσμα με χρήση του αλγορίθμου IT2FCM με δύο δείκτες ασαφούς βαρύτητας (m₁ = 1.5 και m₂ = 4.5). (d) Αποτέλεσμα με χρήση του αλγορίθμου AIT2FCM. (e) Αποτέλεσμα με χρήση του αλγορίθμου SIIT2-FCM (m₁ = 1.5 και m₂ = 4.5). (f) Αποτέλεσμα με χρήση του εξελικτικού αλγορίθμου E-AIT2FCM, βασισμένο στον εξελικτικό δείκτη ασαφούς βαρύτητας m. (g) Αποτέλεσμα με χρήση του αλγορίθμου SS-AIT2FCM με ποσοστό επισημασμένων δειγμάτων στο 1%.(h) Χάρτης αναφοράς (Ground truth) και υπόμνημα.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Σε αυτό το άρθρο, προτείναμε μια νέα μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης βασισμένη σε έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου 2 με διαστήματα (SS-AIT2FCM). Οι κύριες συνεισφορές της έρευνας συνοψίζονται ως εξής:<br /> 1. Οδηγία για πιο αξιόπιστο ασαφή δείκτη βαρύτητας (m):<br /> o Ο αλγόριθμος SS-AIT2FCM συγκρίνει επισημασμένα δείγματα με μη εποπτευόμενα αποτελέσματα και χρησιμοποιεί τον προτεινόμενο δείκτη εγκυρότητας ως μέτρο.<br /> o Η διαδικασία υπολογισμού του m είναι επαναληπτική και βασίζεται στη βελτίωση (climbing process). Με τον σχεδιασμό του δείκτη εγκυρότητας, αξιολογούνται τα αποτελέσματα ταξινόμησης για διαφορετικές τιμές του m, ώστε να εντοπιστεί η βέλτιστη.<br /> 2. Εισαγωγή του ημι-εποπτευόμενου μοντέλου στο IT2FCM:<br /> o Η SS-AIT2FCM είναι η πρώτη μέθοδος που εισάγει τη συλληπτική απόσταση ασαφούς μέτρησης και τον ημι-εποπτευόμενο τρόπο για τη δημιουργία του IT2FCM.<br /> o Συνδυάζει επισημασμένα δείγματα για την αρχικοποίηση των κέντρων και για τη βοήθεια στη διαδικασία υπολογισμού των κέντρων. Επιπλέον, η μέθοδος προσαρμοστικής μείωσης τύπου αξιοποιεί πλήρως τα επισημασμένα δείγματα.<br /> <br /> <br /> [[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CF%84%CE%B7%CE%B3%CE%BF%CF%81%CE%B9%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CE%AD%CE%BD%CE%B1%CE%BD_%CE%B7%CE%BC%CE%B9-%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%BF_%CF%80%CF%81%CE%BF%CF%83%CE%B1%CF%81%CE%BC%CE%BF%CF%83%CF%84%CE%B9%CE%BA%CF%8C_%CE%B1%CE%BB%CE%B3%CF%8C%CF%81%CE%B9%CE%B8%CE%BC%CE%BF_fuzzy_c-means_%CF%84%CF%8D%CF%80%CE%BF%CF%85-2_%CE%BC%CE%B5_%CE%B4%CE%B9%CE%B1%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1 2025-01-16T13:29:31Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Remote sensing image classification based on semi-supervised adaptive interval type-2 fuzzy c-means algorithm<br /> <br /> Συγγραφείς: Jindong Xu, Guozheng Feng, Tianyu Zhao, Xiao Sun, Meng Zhu<br /> <br /> Πηγή: School of Computer and Control Engineering, YanTai University, Yantai, 264005, China<br /> <br /> Λέξεις κλειδιά: Fuzzy c-means algorithm, Remote sensing image classification Semi-supervised Type-2 fuzzy set <br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.cageo.2019.06.005''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση είναι ένα αναντικατάστατο εργαλείο παρατήρησης σε παγκόσμια κλίμακα στους τομείς της γεωεπιστήμης, περιβαλλοντικής επιστήμης, διαχείρισης πόρων και έρευνας για την παγκόσμια αλλαγή. Αποτελεί τη βασική τεχνική υποστήριξης για την υλοποίηση στρατηγικών βιώσιμης ανάπτυξης (Xu et al., 2016). Η ταξινόμηση εικόνων τηλεπισκόπησης είναι το θεμελιώδες μέσο ανάλυσης και εφαρμογών στον τομέα της τηλεπισκόπησης (Du et al., 2016).<br /> Ο απώτερος στόχος της ταξινόμησης εικόνων τηλεπισκόπησης είναι να διαιρέσει την εικόνα σε πολλές περιοχές (ομάδες πίξελ). Ωστόσο, η εγγενής αβεβαιότητα των δεδομένων τηλεπισκόπησης και το φαινόμενο του &quot;ίδιου αντικειμένου με διαφορετικά φάσματα&quot; (He et al., 2016a,b; Xu et al., 2015) συχνά οδηγούν σε κακή διατύπωση των μοντέλων που χρησιμοποιούνται στους αλγορίθμους. Αυτό επηρεάζει την ακρίβεια των αποτελεσμάτων ταξινόμησης και περιορίζει την ανάπτυξη και εφαρμογή της τεχνολογίας τηλεπισκόπησης.<br /> Καθώς αυξάνεται η χωρική ανάλυση των εικόνων τηλεπισκόπησης, αυξάνονται επίσης η ποικιλία των ταξινομήσεων και η πολυπλοκότητα του θορύβου (Zhang, 2018). Οι παραδοσιακές τεχνικές ταξινόμησης εικόνων τηλεπισκόπησης που βασίζονται σε μία προσέγγιση συχνά δεν μπορούν να ανταποκριθούν στις ανάγκες επεξεργασίας ποικίλων δεδομένων τηλεπισκόπησης (Gong and Zhong, 2016).<br /> Κατηγορίες Αλγορίθμων Ταξινόμησης<br /> <br /> Οι αλγόριθμοι ταξινόμησης διακρίνονται σε δύο κατηγορίες, με βάση το αν υπάρχουν επισημασμένα δεδομένα στα μη ταξινομημένα δεδομένα:<br /> 1. Εποπτευόμενοι (Supervised): Απαιτούν πλήθος επισημασμένων δεδομένων, που είναι δύσκολο να αποκτηθούν λόγω της υψηλής διάστασης των δεδομένων τηλεπισκόπησης.<br /> 2. Μη εποπτευόμενοι (Unsupervised): Αγνοούν τις επισημάνσεις, συχνά παράγοντας διανομές δεδομένων που δεν αντανακλούν τη φύση των εικόνων τηλεπισκόπησης.<br /> Οι μέθοδοι ημι-εποπτευόμενης ταξινόμησης (Semi-Supervised) συνδυάζουν μικρό αριθμό επισημασμένων δειγμάτων με μεγάλο αριθμό μη επισημασμένων δειγμάτων, μειώνοντας την ανάγκη του ταξινομητή για επισημασμένα δείγματα και καθιστώντας την προσέγγιση αυτή μια αποτελεσματική λύση.<br /> <br /> '''Λογική και Ταξινόμηση Τηλεπισκόπησης'''<br /> <br /> Η μαθηματική θεωρία των ασαφών συνόλων (Fuzzy Sets) είναι μια αποτελεσματική μέθοδος για την έκφραση της ασάφειας και της αβεβαιότητας (Zadeh, 1965). Οι αλγόριθμοι Type-1 Fuzzy C-Means (T1FCM) έχουν μελετηθεί ευρέως, αλλά δεν είναι ιδανικοί για δεδομένα με διαφορές πυκνότητας και μεγάλη αβεβαιότητα.<br /> Αντίθετα, τα Type-2 Fuzzy Sets περιγράφουν την αβεβαιότητα των δεδομένων μέσω μιας αβέβαιης συνάρτησης συμμετοχής, καθιστώντας τα πιο κατάλληλα για την αντιμετώπιση πολλαπλών αβεβαιοτήτων στις εικόνες τηλεπισκόπησης. Ωστόσο, η υψηλή υπολογιστική πολυπλοκότητα των Type-2 Fuzzy Sets καθιστά δύσκολη την εφαρμογή τους.<br /> Η ταξινόμηση με βάση Type-2 Fuzzy Sets με Διαστήματα (Interval Type-2 Fuzzy Classification) μπορεί να περιγράψει την υψηλότερης τάξης αβεβαιότητα, μειώνοντας παράλληλα την υπολογιστική πολυπλοκότητα.<br /> <br /> [[Αρχείο:paper5.1.png]]<br /> <br /> Εικόνα 1: Διάγραμμα ροής του αλγορίθμου SS-AIT2FCM<br /> <br /> '''Μέθοδος''' <br /> <br /> Για να διατηρηθεί η καλή διατύπωση του προβλήματος ταξινόμησης και η υπολογιστική αποτελεσματικότητα του αλγορίθμου, η παρούσα εργασία προτείνει μια μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης με βάση την Ημι-εποπτευόμενη Προσαρμοστική Ταξινόμηση Fuzzy C-Means Τύπου 2 με Διαστήματα (SS-AIT2FCM).<br /> Τα αποτελέσματα δείχνουν ότι η SS-AIT2FCM βελτιώνει σημαντικά την ταξινόμηση εικόνων τηλεπισκόπησης, αντιμετωπίζοντας αποτελεσματικά την αβεβαιότητα και τα περιορισμένα επισημασμένα δεδομένα.<br /> <br /> '''Αλγόριθμος SS-AIT2FCM'''<br /> <br /> [[Αρχείο:paper5.2.png]<br /> <br /> Εικόνα 2: Συνάρτηση αντικειμενικού σκοπού SS-AIT2FCM<br /> <br /> Ο στόχος του αλγορίθμου SS-AIT2FCM, συνδυάζοντας μια ημι-εποπτευόμενη προσέγγιση, εκφράζεται με την συνάρτηση αντικειμενικού σκοπού που φαίνεται στην εικόνα 2. Με όρους:<br /> • λ: Το ποσοστό των επισημασμένων δειγμάτων στο σύνολο δεδομένων.<br /> • XUX_UXU: Το σύνολο μη επισημασμένων δειγμάτων.<br /> • XLX_LXL: Το σύνολο επισημασμένων δειγμάτων.<br /> • ∣XU∣|X_U|∣XU∣ και ∣XL∣|X_L|∣XL∣: Ο αριθμός των δειγμάτων στα σύνολα μη επισημασμένων και επισημασμένων δειγμάτων, αντίστοιχα.<br /> • uiju_{ij}uij: Ο βαθμός συμμετοχής (membership degree) του σημείου δεδομένων xix_ixi στο jjj-οστό σύμπλεγμα.<br /> • dijd_{ij}dij: Η απόσταση μεταξύ του σημείου δεδομένων xix_ixi και του κέντρου συμπλέγματος vpv_pvp.<br /> • ccc: Ο αριθμός των συμπλεγμάτων.<br /> Αυτή η προσέγγιση μπορεί να μειώσει τον αριθμό επαναλήψεων του αλγορίθμου και να αντισταθμίσει την αύξηση του χρόνου εκτέλεσης που προκαλείται από τη βελτίωση της ακρίβειας της ομαδοποίησης. Εάν τα κέντρα των συμπλεγμάτων αρχικοποιηθούν τυχαία, που σημαίνει ότι και ο πίνακας βαθμών συμμετοχής (membership degree matrix) αρχικοποιείται τυχαία, αυτό όχι μόνο θα αυξήσει τον αριθμό των περιττών επαναλήψεων, αλλά και θα οδηγήσει σε ασταθή αποτελέσματα ομαδοποίησης. Αντίθετα, προτείνεται να αρχικοποιούνται τα κέντρα V0 βάσει γνώσεων από ειδικούς το σύνολο επισημασμένων δειγμάτων XL) και στη συνέχεια να γίνεται αρχικοποίηση των βαθμών συμμετοχής.<br /> <br /> '''Αποτελέσματα Πειραμάτων'''<br /> <br /> Ο αλγόριθμος IT2FCM αποδίδει καλύτερα από τον T1FCM σε δεδομένα εικόνων τηλεπισκόπησης χαμηλής χωρικής ανάλυσης, με μεγάλες περιοχές μεικτών πίξελ και πλούσια χαρακτηριστικά. Ο E-AIT2FCM είναι πιο κατάλληλος από τον AIT2FCM για αυτήν την εφαρμογή. Η ακρίβεια του SS-AIT2FCM με αξιοποίηση πρότερων γνώσεων είναι σημαντικά υψηλότερη από αυτήν του μη εποπτευόμενου αλγορίθμου.<br /> Επιπλέον, ο αλγόριθμος μειώνει αποτελεσματικά τον χρόνο υπολογισμού και αντισταθμίζει την αύξηση της πολυπλοκότητας που εισάγει η μέθοδος fuzzy set τύπου 2. Αυτό επιβεβαιώνει περαιτέρω την αποτελεσματικότητα της ημι-εποπτευόμενης προσέγγισης του προτεινόμενου αλγορίθμου.<br /> Περιορισμοί και Μελλοντική Έρευνα<br /> Η επιλογή των επισημασμένων δειγμάτων πρέπει να είναι ακριβής, καθώς η ακρίβεια της ταξινόμησης έχει ακόμη περιθώρια βελτίωσης. Η αντιστοίχιση διαφορετικών δεδομένων τηλεπισκόπησης με ασαφείς αλγορίθμους και η επιλογή επισημασμένων δειγμάτων είναι ερευνητικές κατευθύνσεις που απαιτούν περαιτέρω μελέτη στο μέλλον.<br /> <br /> [[Αρχείο:paper5.3.png]]<br /> <br /> Εικόνα 3: Αποτέλεσμα πειράματος για το Summer Palace (δεδομένα SPOT5) με βάση διαφορετικές μεθόδους. (a) Αρχικές ψευδόχρωμες σύνθετες εικόνες SPOT5 (ζώνες 1, 2 και 3). (b) Αποτέλεσμα με χρήση του αλγορίθμου FCM. (c) Αποτέλεσμα με χρήση του αλγορίθμου IT2FCM με δύο δείκτες ασαφούς βαρύτητας (m₁ = 1.5 και m₂ = 4.5). (d) Αποτέλεσμα με χρήση του αλγορίθμου AIT2FCM. (e) Αποτέλεσμα με χρήση του αλγορίθμου SIIT2-FCM (m₁ = 1.5 και m₂ = 4.5). (f) Αποτέλεσμα με χρήση του εξελικτικού αλγορίθμου E-AIT2FCM, βασισμένο στον εξελικτικό δείκτη ασαφούς βαρύτητας m. (g) Αποτέλεσμα με χρήση του αλγορίθμου SS-AIT2FCM με ποσοστό επισημασμένων δειγμάτων στο 1%.(h) Χάρτης αναφοράς (Ground truth) και υπόμνημα.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Σε αυτό το άρθρο, προτείναμε μια νέα μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης βασισμένη σε έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου 2 με διαστήματα (SS-AIT2FCM). Οι κύριες συνεισφορές της έρευνας συνοψίζονται ως εξής:<br /> 1. Οδηγία για πιο αξιόπιστο ασαφή δείκτη βαρύτητας (m):<br /> o Ο αλγόριθμος SS-AIT2FCM συγκρίνει επισημασμένα δείγματα με μη εποπτευόμενα αποτελέσματα και χρησιμοποιεί τον προτεινόμενο δείκτη εγκυρότητας ως μέτρο.<br /> o Η διαδικασία υπολογισμού του m είναι επαναληπτική και βασίζεται στη βελτίωση (climbing process). Με τον σχεδιασμό του δείκτη εγκυρότητας, αξιολογούνται τα αποτελέσματα ταξινόμησης για διαφορετικές τιμές του m, ώστε να εντοπιστεί η βέλτιστη.<br /> 2. Εισαγωγή του ημι-εποπτευόμενου μοντέλου στο IT2FCM:<br /> o Η SS-AIT2FCM είναι η πρώτη μέθοδος που εισάγει τη συλληπτική απόσταση ασαφούς μέτρησης και τον ημι-εποπτευόμενο τρόπο για τη δημιουργία του IT2FCM.<br /> o Συνδυάζει επισημασμένα δείγματα για την αρχικοποίηση των κέντρων και για τη βοήθεια στη διαδικασία υπολογισμού των κέντρων. Επιπλέον, η μέθοδος προσαρμοστικής μείωσης τύπου αξιοποιεί πλήρως τα επισημασμένα δείγματα.<br /> <br /> <br /> [[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CF%84%CE%B7%CE%B3%CE%BF%CF%81%CE%B9%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CE%AD%CE%BD%CE%B1%CE%BD_%CE%B7%CE%BC%CE%B9-%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%BF_%CF%80%CF%81%CE%BF%CF%83%CE%B1%CF%81%CE%BC%CE%BF%CF%83%CF%84%CE%B9%CE%BA%CF%8C_%CE%B1%CE%BB%CE%B3%CF%8C%CF%81%CE%B9%CE%B8%CE%BC%CE%BF_fuzzy_c-means_%CF%84%CF%8D%CF%80%CE%BF%CF%85-2_%CE%BC%CE%B5_%CE%B4%CE%B9%CE%B1%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1 2025-01-16T13:29:04Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Remote sensing image classification based on semi-supervised adaptive interval type-2 fuzzy c-means algorithm<br /> <br /> Συγγραφείς: Jindong Xu, Guozheng Feng, Tianyu Zhao, Xiao Sun, Meng Zhu<br /> <br /> Πηγή: School of Computer and Control Engineering, YanTai University, Yantai, 264005, China<br /> <br /> Λέξεις κλειδιά: Fuzzy c-means algorithm, Remote sensing image classification Semi-supervised Type-2 fuzzy set <br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.cageo.2019.06.005''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση είναι ένα αναντικατάστατο εργαλείο παρατήρησης σε παγκόσμια κλίμακα στους τομείς της γεωεπιστήμης, περιβαλλοντικής επιστήμης, διαχείρισης πόρων και έρευνας για την παγκόσμια αλλαγή. Αποτελεί τη βασική τεχνική υποστήριξης για την υλοποίηση στρατηγικών βιώσιμης ανάπτυξης (Xu et al., 2016). Η ταξινόμηση εικόνων τηλεπισκόπησης είναι το θεμελιώδες μέσο ανάλυσης και εφαρμογών στον τομέα της τηλεπισκόπησης (Du et al., 2016).<br /> Ο απώτερος στόχος της ταξινόμησης εικόνων τηλεπισκόπησης είναι να διαιρέσει την εικόνα σε πολλές περιοχές (ομάδες πίξελ). Ωστόσο, η εγγενής αβεβαιότητα των δεδομένων τηλεπισκόπησης και το φαινόμενο του &quot;ίδιου αντικειμένου με διαφορετικά φάσματα&quot; (He et al., 2016a,b; Xu et al., 2015) συχνά οδηγούν σε κακή διατύπωση των μοντέλων που χρησιμοποιούνται στους αλγορίθμους. Αυτό επηρεάζει την ακρίβεια των αποτελεσμάτων ταξινόμησης και περιορίζει την ανάπτυξη και εφαρμογή της τεχνολογίας τηλεπισκόπησης.<br /> Καθώς αυξάνεται η χωρική ανάλυση των εικόνων τηλεπισκόπησης, αυξάνονται επίσης η ποικιλία των ταξινομήσεων και η πολυπλοκότητα του θορύβου (Zhang, 2018). Οι παραδοσιακές τεχνικές ταξινόμησης εικόνων τηλεπισκόπησης που βασίζονται σε μία προσέγγιση συχνά δεν μπορούν να ανταποκριθούν στις ανάγκες επεξεργασίας ποικίλων δεδομένων τηλεπισκόπησης (Gong and Zhong, 2016).<br /> Κατηγορίες Αλγορίθμων Ταξινόμησης<br /> <br /> Οι αλγόριθμοι ταξινόμησης διακρίνονται σε δύο κατηγορίες, με βάση το αν υπάρχουν επισημασμένα δεδομένα στα μη ταξινομημένα δεδομένα:<br /> 1. Εποπτευόμενοι (Supervised): Απαιτούν πλήθος επισημασμένων δεδομένων, που είναι δύσκολο να αποκτηθούν λόγω της υψηλής διάστασης των δεδομένων τηλεπισκόπησης.<br /> 2. Μη εποπτευόμενοι (Unsupervised): Αγνοούν τις επισημάνσεις, συχνά παράγοντας διανομές δεδομένων που δεν αντανακλούν τη φύση των εικόνων τηλεπισκόπησης.<br /> Οι μέθοδοι ημι-εποπτευόμενης ταξινόμησης (Semi-Supervised) συνδυάζουν μικρό αριθμό επισημασμένων δειγμάτων με μεγάλο αριθμό μη επισημασμένων δειγμάτων, μειώνοντας την ανάγκη του ταξινομητή για επισημασμένα δείγματα και καθιστώντας την προσέγγιση αυτή μια αποτελεσματική λύση.<br /> <br /> '''Λογική και Ταξινόμηση Τηλεπισκόπησης'''<br /> <br /> Η μαθηματική θεωρία των ασαφών συνόλων (Fuzzy Sets) είναι μια αποτελεσματική μέθοδος για την έκφραση της ασάφειας και της αβεβαιότητας (Zadeh, 1965). Οι αλγόριθμοι Type-1 Fuzzy C-Means (T1FCM) έχουν μελετηθεί ευρέως, αλλά δεν είναι ιδανικοί για δεδομένα με διαφορές πυκνότητας και μεγάλη αβεβαιότητα.<br /> Αντίθετα, τα Type-2 Fuzzy Sets περιγράφουν την αβεβαιότητα των δεδομένων μέσω μιας αβέβαιης συνάρτησης συμμετοχής, καθιστώντας τα πιο κατάλληλα για την αντιμετώπιση πολλαπλών αβεβαιοτήτων στις εικόνες τηλεπισκόπησης. Ωστόσο, η υψηλή υπολογιστική πολυπλοκότητα των Type-2 Fuzzy Sets καθιστά δύσκολη την εφαρμογή τους.<br /> Η ταξινόμηση με βάση Type-2 Fuzzy Sets με Διαστήματα (Interval Type-2 Fuzzy Classification) μπορεί να περιγράψει την υψηλότερης τάξης αβεβαιότητα, μειώνοντας παράλληλα την υπολογιστική πολυπλοκότητα.<br /> <br /> [[Αρχείο:paper5.1.png]]<br /> <br /> Εικόνα 1: Διάγραμμα ροής του αλγορίθμου SS-AIT2FCM<br /> <br /> '''Μέθοδος''' <br /> <br /> Για να διατηρηθεί η καλή διατύπωση του προβλήματος ταξινόμησης και η υπολογιστική αποτελεσματικότητα του αλγορίθμου, η παρούσα εργασία προτείνει μια μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης με βάση την Ημι-εποπτευόμενη Προσαρμοστική Ταξινόμηση Fuzzy C-Means Τύπου 2 με Διαστήματα (SS-AIT2FCM).<br /> Τα αποτελέσματα δείχνουν ότι η SS-AIT2FCM βελτιώνει σημαντικά την ταξινόμηση εικόνων τηλεπισκόπησης, αντιμετωπίζοντας αποτελεσματικά την αβεβαιότητα και τα περιορισμένα επισημασμένα δεδομένα.<br /> <br /> '''Αλγόριθμος SS-AIT2FCM'''<br /> <br /> [[Αρχείο:Paper5.2.png]<br /> <br /> Εικόνα 2: Συνάρτηση αντικειμενικού σκοπού SS-AIT2FCM<br /> <br /> Ο στόχος του αλγορίθμου SS-AIT2FCM, συνδυάζοντας μια ημι-εποπτευόμενη προσέγγιση, εκφράζεται με την συνάρτηση αντικειμενικού σκοπού που φαίνεται στην εικόνα 2. Με όρους:<br /> • λ: Το ποσοστό των επισημασμένων δειγμάτων στο σύνολο δεδομένων.<br /> • XUX_UXU: Το σύνολο μη επισημασμένων δειγμάτων.<br /> • XLX_LXL: Το σύνολο επισημασμένων δειγμάτων.<br /> • ∣XU∣|X_U|∣XU∣ και ∣XL∣|X_L|∣XL∣: Ο αριθμός των δειγμάτων στα σύνολα μη επισημασμένων και επισημασμένων δειγμάτων, αντίστοιχα.<br /> • uiju_{ij}uij: Ο βαθμός συμμετοχής (membership degree) του σημείου δεδομένων xix_ixi στο jjj-οστό σύμπλεγμα.<br /> • dijd_{ij}dij: Η απόσταση μεταξύ του σημείου δεδομένων xix_ixi και του κέντρου συμπλέγματος vpv_pvp.<br /> • ccc: Ο αριθμός των συμπλεγμάτων.<br /> Αυτή η προσέγγιση μπορεί να μειώσει τον αριθμό επαναλήψεων του αλγορίθμου και να αντισταθμίσει την αύξηση του χρόνου εκτέλεσης που προκαλείται από τη βελτίωση της ακρίβειας της ομαδοποίησης. Εάν τα κέντρα των συμπλεγμάτων αρχικοποιηθούν τυχαία, που σημαίνει ότι και ο πίνακας βαθμών συμμετοχής (membership degree matrix) αρχικοποιείται τυχαία, αυτό όχι μόνο θα αυξήσει τον αριθμό των περιττών επαναλήψεων, αλλά και θα οδηγήσει σε ασταθή αποτελέσματα ομαδοποίησης. Αντίθετα, προτείνεται να αρχικοποιούνται τα κέντρα V0 βάσει γνώσεων από ειδικούς το σύνολο επισημασμένων δειγμάτων XL) και στη συνέχεια να γίνεται αρχικοποίηση των βαθμών συμμετοχής.<br /> <br /> '''Αποτελέσματα Πειραμάτων'''<br /> <br /> Ο αλγόριθμος IT2FCM αποδίδει καλύτερα από τον T1FCM σε δεδομένα εικόνων τηλεπισκόπησης χαμηλής χωρικής ανάλυσης, με μεγάλες περιοχές μεικτών πίξελ και πλούσια χαρακτηριστικά. Ο E-AIT2FCM είναι πιο κατάλληλος από τον AIT2FCM για αυτήν την εφαρμογή. Η ακρίβεια του SS-AIT2FCM με αξιοποίηση πρότερων γνώσεων είναι σημαντικά υψηλότερη από αυτήν του μη εποπτευόμενου αλγορίθμου.<br /> Επιπλέον, ο αλγόριθμος μειώνει αποτελεσματικά τον χρόνο υπολογισμού και αντισταθμίζει την αύξηση της πολυπλοκότητας που εισάγει η μέθοδος fuzzy set τύπου 2. Αυτό επιβεβαιώνει περαιτέρω την αποτελεσματικότητα της ημι-εποπτευόμενης προσέγγισης του προτεινόμενου αλγορίθμου.<br /> Περιορισμοί και Μελλοντική Έρευνα<br /> Η επιλογή των επισημασμένων δειγμάτων πρέπει να είναι ακριβής, καθώς η ακρίβεια της ταξινόμησης έχει ακόμη περιθώρια βελτίωσης. Η αντιστοίχιση διαφορετικών δεδομένων τηλεπισκόπησης με ασαφείς αλγορίθμους και η επιλογή επισημασμένων δειγμάτων είναι ερευνητικές κατευθύνσεις που απαιτούν περαιτέρω μελέτη στο μέλλον.<br /> <br /> [[Αρχείο:paper5.3.png]]<br /> <br /> Εικόνα 3: Αποτέλεσμα πειράματος για το Summer Palace (δεδομένα SPOT5) με βάση διαφορετικές μεθόδους. (a) Αρχικές ψευδόχρωμες σύνθετες εικόνες SPOT5 (ζώνες 1, 2 και 3). (b) Αποτέλεσμα με χρήση του αλγορίθμου FCM. (c) Αποτέλεσμα με χρήση του αλγορίθμου IT2FCM με δύο δείκτες ασαφούς βαρύτητας (m₁ = 1.5 και m₂ = 4.5). (d) Αποτέλεσμα με χρήση του αλγορίθμου AIT2FCM. (e) Αποτέλεσμα με χρήση του αλγορίθμου SIIT2-FCM (m₁ = 1.5 και m₂ = 4.5). (f) Αποτέλεσμα με χρήση του εξελικτικού αλγορίθμου E-AIT2FCM, βασισμένο στον εξελικτικό δείκτη ασαφούς βαρύτητας m. (g) Αποτέλεσμα με χρήση του αλγορίθμου SS-AIT2FCM με ποσοστό επισημασμένων δειγμάτων στο 1%.(h) Χάρτης αναφοράς (Ground truth) και υπόμνημα.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Σε αυτό το άρθρο, προτείναμε μια νέα μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης βασισμένη σε έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου 2 με διαστήματα (SS-AIT2FCM). Οι κύριες συνεισφορές της έρευνας συνοψίζονται ως εξής:<br /> 1. Οδηγία για πιο αξιόπιστο ασαφή δείκτη βαρύτητας (m):<br /> o Ο αλγόριθμος SS-AIT2FCM συγκρίνει επισημασμένα δείγματα με μη εποπτευόμενα αποτελέσματα και χρησιμοποιεί τον προτεινόμενο δείκτη εγκυρότητας ως μέτρο.<br /> o Η διαδικασία υπολογισμού του m είναι επαναληπτική και βασίζεται στη βελτίωση (climbing process). Με τον σχεδιασμό του δείκτη εγκυρότητας, αξιολογούνται τα αποτελέσματα ταξινόμησης για διαφορετικές τιμές του m, ώστε να εντοπιστεί η βέλτιστη.<br /> 2. Εισαγωγή του ημι-εποπτευόμενου μοντέλου στο IT2FCM:<br /> o Η SS-AIT2FCM είναι η πρώτη μέθοδος που εισάγει τη συλληπτική απόσταση ασαφούς μέτρησης και τον ημι-εποπτευόμενο τρόπο για τη δημιουργία του IT2FCM.<br /> o Συνδυάζει επισημασμένα δείγματα για την αρχικοποίηση των κέντρων και για τη βοήθεια στη διαδικασία υπολογισμού των κέντρων. Επιπλέον, η μέθοδος προσαρμοστικής μείωσης τύπου αξιοποιεί πλήρως τα επισημασμένα δείγματα.<br /> <br /> <br /> [[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CF%84%CE%B7%CE%B3%CE%BF%CF%81%CE%B9%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CE%AD%CE%BD%CE%B1%CE%BD_%CE%B7%CE%BC%CE%B9-%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%BF_%CF%80%CF%81%CE%BF%CF%83%CE%B1%CF%81%CE%BC%CE%BF%CF%83%CF%84%CE%B9%CE%BA%CF%8C_%CE%B1%CE%BB%CE%B3%CF%8C%CF%81%CE%B9%CE%B8%CE%BC%CE%BF_fuzzy_c-means_%CF%84%CF%8D%CF%80%CE%BF%CF%85-2_%CE%BC%CE%B5_%CE%B4%CE%B9%CE%B1%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1 2025-01-16T13:28:33Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Remote sensing image classification based on semi-supervised adaptive interval type-2 fuzzy c-means algorithm<br /> <br /> Συγγραφείς: Jindong Xu, Guozheng Feng, Tianyu Zhao, Xiao Sun, Meng Zhu<br /> <br /> Πηγή: School of Computer and Control Engineering, YanTai University, Yantai, 264005, China<br /> <br /> Λέξεις κλειδιά: Fuzzy c-means algorithm, Remote sensing image classification Semi-supervised Type-2 fuzzy set <br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.cageo.2019.06.005''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση είναι ένα αναντικατάστατο εργαλείο παρατήρησης σε παγκόσμια κλίμακα στους τομείς της γεωεπιστήμης, περιβαλλοντικής επιστήμης, διαχείρισης πόρων και έρευνας για την παγκόσμια αλλαγή. Αποτελεί τη βασική τεχνική υποστήριξης για την υλοποίηση στρατηγικών βιώσιμης ανάπτυξης (Xu et al., 2016). Η ταξινόμηση εικόνων τηλεπισκόπησης είναι το θεμελιώδες μέσο ανάλυσης και εφαρμογών στον τομέα της τηλεπισκόπησης (Du et al., 2016).<br /> Ο απώτερος στόχος της ταξινόμησης εικόνων τηλεπισκόπησης είναι να διαιρέσει την εικόνα σε πολλές περιοχές (ομάδες πίξελ). Ωστόσο, η εγγενής αβεβαιότητα των δεδομένων τηλεπισκόπησης και το φαινόμενο του &quot;ίδιου αντικειμένου με διαφορετικά φάσματα&quot; (He et al., 2016a,b; Xu et al., 2015) συχνά οδηγούν σε κακή διατύπωση των μοντέλων που χρησιμοποιούνται στους αλγορίθμους. Αυτό επηρεάζει την ακρίβεια των αποτελεσμάτων ταξινόμησης και περιορίζει την ανάπτυξη και εφαρμογή της τεχνολογίας τηλεπισκόπησης.<br /> Καθώς αυξάνεται η χωρική ανάλυση των εικόνων τηλεπισκόπησης, αυξάνονται επίσης η ποικιλία των ταξινομήσεων και η πολυπλοκότητα του θορύβου (Zhang, 2018). Οι παραδοσιακές τεχνικές ταξινόμησης εικόνων τηλεπισκόπησης που βασίζονται σε μία προσέγγιση συχνά δεν μπορούν να ανταποκριθούν στις ανάγκες επεξεργασίας ποικίλων δεδομένων τηλεπισκόπησης (Gong and Zhong, 2016).<br /> Κατηγορίες Αλγορίθμων Ταξινόμησης<br /> <br /> Οι αλγόριθμοι ταξινόμησης διακρίνονται σε δύο κατηγορίες, με βάση το αν υπάρχουν επισημασμένα δεδομένα στα μη ταξινομημένα δεδομένα:<br /> 1. Εποπτευόμενοι (Supervised): Απαιτούν πλήθος επισημασμένων δεδομένων, που είναι δύσκολο να αποκτηθούν λόγω της υψηλής διάστασης των δεδομένων τηλεπισκόπησης.<br /> 2. Μη εποπτευόμενοι (Unsupervised): Αγνοούν τις επισημάνσεις, συχνά παράγοντας διανομές δεδομένων που δεν αντανακλούν τη φύση των εικόνων τηλεπισκόπησης.<br /> Οι μέθοδοι ημι-εποπτευόμενης ταξινόμησης (Semi-Supervised) συνδυάζουν μικρό αριθμό επισημασμένων δειγμάτων με μεγάλο αριθμό μη επισημασμένων δειγμάτων, μειώνοντας την ανάγκη του ταξινομητή για επισημασμένα δείγματα και καθιστώντας την προσέγγιση αυτή μια αποτελεσματική λύση.<br /> <br /> '''Λογική και Ταξινόμηση Τηλεπισκόπησης'''<br /> <br /> Η μαθηματική θεωρία των ασαφών συνόλων (Fuzzy Sets) είναι μια αποτελεσματική μέθοδος για την έκφραση της ασάφειας και της αβεβαιότητας (Zadeh, 1965). Οι αλγόριθμοι Type-1 Fuzzy C-Means (T1FCM) έχουν μελετηθεί ευρέως, αλλά δεν είναι ιδανικοί για δεδομένα με διαφορές πυκνότητας και μεγάλη αβεβαιότητα.<br /> Αντίθετα, τα Type-2 Fuzzy Sets περιγράφουν την αβεβαιότητα των δεδομένων μέσω μιας αβέβαιης συνάρτησης συμμετοχής, καθιστώντας τα πιο κατάλληλα για την αντιμετώπιση πολλαπλών αβεβαιοτήτων στις εικόνες τηλεπισκόπησης. Ωστόσο, η υψηλή υπολογιστική πολυπλοκότητα των Type-2 Fuzzy Sets καθιστά δύσκολη την εφαρμογή τους.<br /> Η ταξινόμηση με βάση Type-2 Fuzzy Sets με Διαστήματα (Interval Type-2 Fuzzy Classification) μπορεί να περιγράψει την υψηλότερης τάξης αβεβαιότητα, μειώνοντας παράλληλα την υπολογιστική πολυπλοκότητα.<br /> <br /> [[Αρχείο:paper5.1.png]]<br /> <br /> Εικόνα 1: Διάγραμμα ροής του αλγορίθμου SS-AIT2FCM<br /> <br /> '''Μέθοδος''' <br /> <br /> Για να διατηρηθεί η καλή διατύπωση του προβλήματος ταξινόμησης και η υπολογιστική αποτελεσματικότητα του αλγορίθμου, η παρούσα εργασία προτείνει μια μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης με βάση την Ημι-εποπτευόμενη Προσαρμοστική Ταξινόμηση Fuzzy C-Means Τύπου 2 με Διαστήματα (SS-AIT2FCM).<br /> Τα αποτελέσματα δείχνουν ότι η SS-AIT2FCM βελτιώνει σημαντικά την ταξινόμηση εικόνων τηλεπισκόπησης, αντιμετωπίζοντας αποτελεσματικά την αβεβαιότητα και τα περιορισμένα επισημασμένα δεδομένα.<br /> <br /> '''Αλγόριθμος SS-AIT2FCM'''<br /> <br /> [[Αρχείο:paper5.2.png]<br /> <br /> Εικόνα 2: Συνάρτηση αντικειμενικού σκοπού SS-AIT2FCM<br /> <br /> Ο στόχος του αλγορίθμου SS-AIT2FCM, συνδυάζοντας μια ημι-εποπτευόμενη προσέγγιση, εκφράζεται με την συνάρτηση αντικειμενικού σκοπού που φαίνεται στην εικόνα 2. Με όρους:<br /> • λ: Το ποσοστό των επισημασμένων δειγμάτων στο σύνολο δεδομένων.<br /> • XUX_UXU: Το σύνολο μη επισημασμένων δειγμάτων.<br /> • XLX_LXL: Το σύνολο επισημασμένων δειγμάτων.<br /> • ∣XU∣|X_U|∣XU∣ και ∣XL∣|X_L|∣XL∣: Ο αριθμός των δειγμάτων στα σύνολα μη επισημασμένων και επισημασμένων δειγμάτων, αντίστοιχα.<br /> • uiju_{ij}uij: Ο βαθμός συμμετοχής (membership degree) του σημείου δεδομένων xix_ixi στο jjj-οστό σύμπλεγμα.<br /> • dijd_{ij}dij: Η απόσταση μεταξύ του σημείου δεδομένων xix_ixi και του κέντρου συμπλέγματος vpv_pvp.<br /> • ccc: Ο αριθμός των συμπλεγμάτων.<br /> Αυτή η προσέγγιση μπορεί να μειώσει τον αριθμό επαναλήψεων του αλγορίθμου και να αντισταθμίσει την αύξηση του χρόνου εκτέλεσης που προκαλείται από τη βελτίωση της ακρίβειας της ομαδοποίησης. Εάν τα κέντρα των συμπλεγμάτων αρχικοποιηθούν τυχαία, που σημαίνει ότι και ο πίνακας βαθμών συμμετοχής (membership degree matrix) αρχικοποιείται τυχαία, αυτό όχι μόνο θα αυξήσει τον αριθμό των περιττών επαναλήψεων, αλλά και θα οδηγήσει σε ασταθή αποτελέσματα ομαδοποίησης. Αντίθετα, προτείνεται να αρχικοποιούνται τα κέντρα V0 βάσει γνώσεων από ειδικούς το σύνολο επισημασμένων δειγμάτων XL) και στη συνέχεια να γίνεται αρχικοποίηση των βαθμών συμμετοχής.<br /> <br /> '''Αποτελέσματα Πειραμάτων'''<br /> <br /> Ο αλγόριθμος IT2FCM αποδίδει καλύτερα από τον T1FCM σε δεδομένα εικόνων τηλεπισκόπησης χαμηλής χωρικής ανάλυσης, με μεγάλες περιοχές μεικτών πίξελ και πλούσια χαρακτηριστικά. Ο E-AIT2FCM είναι πιο κατάλληλος από τον AIT2FCM για αυτήν την εφαρμογή. Η ακρίβεια του SS-AIT2FCM με αξιοποίηση πρότερων γνώσεων είναι σημαντικά υψηλότερη από αυτήν του μη εποπτευόμενου αλγορίθμου.<br /> Επιπλέον, ο αλγόριθμος μειώνει αποτελεσματικά τον χρόνο υπολογισμού και αντισταθμίζει την αύξηση της πολυπλοκότητας που εισάγει η μέθοδος fuzzy set τύπου 2. Αυτό επιβεβαιώνει περαιτέρω την αποτελεσματικότητα της ημι-εποπτευόμενης προσέγγισης του προτεινόμενου αλγορίθμου.<br /> Περιορισμοί και Μελλοντική Έρευνα<br /> Η επιλογή των επισημασμένων δειγμάτων πρέπει να είναι ακριβής, καθώς η ακρίβεια της ταξινόμησης έχει ακόμη περιθώρια βελτίωσης. Η αντιστοίχιση διαφορετικών δεδομένων τηλεπισκόπησης με ασαφείς αλγορίθμους και η επιλογή επισημασμένων δειγμάτων είναι ερευνητικές κατευθύνσεις που απαιτούν περαιτέρω μελέτη στο μέλλον.<br /> <br /> [[Αρχείο:paper5.3.png]]<br /> <br /> Εικόνα 3: Αποτέλεσμα πειράματος για το Summer Palace (δεδομένα SPOT5) με βάση διαφορετικές μεθόδους. (a) Αρχικές ψευδόχρωμες σύνθετες εικόνες SPOT5 (ζώνες 1, 2 και 3). (b) Αποτέλεσμα με χρήση του αλγορίθμου FCM. (c) Αποτέλεσμα με χρήση του αλγορίθμου IT2FCM με δύο δείκτες ασαφούς βαρύτητας (m₁ = 1.5 και m₂ = 4.5). (d) Αποτέλεσμα με χρήση του αλγορίθμου AIT2FCM. (e) Αποτέλεσμα με χρήση του αλγορίθμου SIIT2-FCM (m₁ = 1.5 και m₂ = 4.5). (f) Αποτέλεσμα με χρήση του εξελικτικού αλγορίθμου E-AIT2FCM, βασισμένο στον εξελικτικό δείκτη ασαφούς βαρύτητας m. (g) Αποτέλεσμα με χρήση του αλγορίθμου SS-AIT2FCM με ποσοστό επισημασμένων δειγμάτων στο 1%.(h) Χάρτης αναφοράς (Ground truth) και υπόμνημα.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Σε αυτό το άρθρο, προτείναμε μια νέα μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης βασισμένη σε έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου 2 με διαστήματα (SS-AIT2FCM). Οι κύριες συνεισφορές της έρευνας συνοψίζονται ως εξής:<br /> 1. Οδηγία για πιο αξιόπιστο ασαφή δείκτη βαρύτητας (m):<br /> o Ο αλγόριθμος SS-AIT2FCM συγκρίνει επισημασμένα δείγματα με μη εποπτευόμενα αποτελέσματα και χρησιμοποιεί τον προτεινόμενο δείκτη εγκυρότητας ως μέτρο.<br /> o Η διαδικασία υπολογισμού του m είναι επαναληπτική και βασίζεται στη βελτίωση (climbing process). Με τον σχεδιασμό του δείκτη εγκυρότητας, αξιολογούνται τα αποτελέσματα ταξινόμησης για διαφορετικές τιμές του m, ώστε να εντοπιστεί η βέλτιστη.<br /> 2. Εισαγωγή του ημι-εποπτευόμενου μοντέλου στο IT2FCM:<br /> o Η SS-AIT2FCM είναι η πρώτη μέθοδος που εισάγει τη συλληπτική απόσταση ασαφούς μέτρησης και τον ημι-εποπτευόμενο τρόπο για τη δημιουργία του IT2FCM.<br /> o Συνδυάζει επισημασμένα δείγματα για την αρχικοποίηση των κέντρων και για τη βοήθεια στη διαδικασία υπολογισμού των κέντρων. Επιπλέον, η μέθοδος προσαρμοστικής μείωσης τύπου αξιοποιεί πλήρως τα επισημασμένα δείγματα.<br /> <br /> <br /> [[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CF%84%CE%B7%CE%B3%CE%BF%CF%81%CE%B9%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CE%AD%CE%BD%CE%B1%CE%BD_%CE%B7%CE%BC%CE%B9-%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%BF_%CF%80%CF%81%CE%BF%CF%83%CE%B1%CF%81%CE%BC%CE%BF%CF%83%CF%84%CE%B9%CE%BA%CF%8C_%CE%B1%CE%BB%CE%B3%CF%8C%CF%81%CE%B9%CE%B8%CE%BC%CE%BF_fuzzy_c-means_%CF%84%CF%8D%CF%80%CE%BF%CF%85-2_%CE%BC%CE%B5_%CE%B4%CE%B9%CE%B1%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1 2025-01-16T13:26:04Z

<p>Dimitris Delipetros: Νέα σελίδα με '''Πρωτότυπος τίτλος: Remote sensing image classification based on semi-supervised adaptive interval type-2 fuzzy c-means algorithm Συγγραφείς: J...'</p> <hr /> <div>''Πρωτότυπος τίτλος: Remote sensing image classification based on semi-supervised adaptive interval type-2 fuzzy c-means algorithm<br /> <br /> Συγγραφείς: Jindong Xu, Guozheng Feng, Tianyu Zhao, Xiao Sun, Meng Zhu<br /> <br /> Πηγή: School of Computer and Control Engineering, YanTai University, Yantai, 264005, China<br /> <br /> Λέξεις κλειδιά: Fuzzy c-means algorithm, Remote sensing image classification Semi-supervised Type-2 fuzzy set <br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.cageo.2019.06.005''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση είναι ένα αναντικατάστατο εργαλείο παρατήρησης σε παγκόσμια κλίμακα στους τομείς της γεωεπιστήμης, περιβαλλοντικής επιστήμης, διαχείρισης πόρων και έρευνας για την παγκόσμια αλλαγή. Αποτελεί τη βασική τεχνική υποστήριξης για την υλοποίηση στρατηγικών βιώσιμης ανάπτυξης (Xu et al., 2016). Η ταξινόμηση εικόνων τηλεπισκόπησης είναι το θεμελιώδες μέσο ανάλυσης και εφαρμογών στον τομέα της τηλεπισκόπησης (Du et al., 2016).<br /> Ο απώτερος στόχος της ταξινόμησης εικόνων τηλεπισκόπησης είναι να διαιρέσει την εικόνα σε πολλές περιοχές (ομάδες πίξελ). Ωστόσο, η εγγενής αβεβαιότητα των δεδομένων τηλεπισκόπησης και το φαινόμενο του &quot;ίδιου αντικειμένου με διαφορετικά φάσματα&quot; (He et al., 2016a,b; Xu et al., 2015) συχνά οδηγούν σε κακή διατύπωση των μοντέλων που χρησιμοποιούνται στους αλγορίθμους. Αυτό επηρεάζει την ακρίβεια των αποτελεσμάτων ταξινόμησης και περιορίζει την ανάπτυξη και εφαρμογή της τεχνολογίας τηλεπισκόπησης.<br /> Καθώς αυξάνεται η χωρική ανάλυση των εικόνων τηλεπισκόπησης, αυξάνονται επίσης η ποικιλία των ταξινομήσεων και η πολυπλοκότητα του θορύβου (Zhang, 2018). Οι παραδοσιακές τεχνικές ταξινόμησης εικόνων τηλεπισκόπησης που βασίζονται σε μία προσέγγιση συχνά δεν μπορούν να ανταποκριθούν στις ανάγκες επεξεργασίας ποικίλων δεδομένων τηλεπισκόπησης (Gong and Zhong, 2016).<br /> Κατηγορίες Αλγορίθμων Ταξινόμησης<br /> <br /> Οι αλγόριθμοι ταξινόμησης διακρίνονται σε δύο κατηγορίες, με βάση το αν υπάρχουν επισημασμένα δεδομένα στα μη ταξινομημένα δεδομένα:<br /> 1. Εποπτευόμενοι (Supervised): Απαιτούν πλήθος επισημασμένων δεδομένων, που είναι δύσκολο να αποκτηθούν λόγω της υψηλής διάστασης των δεδομένων τηλεπισκόπησης.<br /> 2. Μη εποπτευόμενοι (Unsupervised): Αγνοούν τις επισημάνσεις, συχνά παράγοντας διανομές δεδομένων που δεν αντανακλούν τη φύση των εικόνων τηλεπισκόπησης.<br /> Οι μέθοδοι ημι-εποπτευόμενης ταξινόμησης (Semi-Supervised) συνδυάζουν μικρό αριθμό επισημασμένων δειγμάτων με μεγάλο αριθμό μη επισημασμένων δειγμάτων, μειώνοντας την ανάγκη του ταξινομητή για επισημασμένα δείγματα και καθιστώντας την προσέγγιση αυτή μια αποτελεσματική λύση.<br /> <br /> '''Λογική και Ταξινόμηση Τηλεπισκόπησης'''<br /> <br /> Η μαθηματική θεωρία των ασαφών συνόλων (Fuzzy Sets) είναι μια αποτελεσματική μέθοδος για την έκφραση της ασάφειας και της αβεβαιότητας (Zadeh, 1965). Οι αλγόριθμοι Type-1 Fuzzy C-Means (T1FCM) έχουν μελετηθεί ευρέως, αλλά δεν είναι ιδανικοί για δεδομένα με διαφορές πυκνότητας και μεγάλη αβεβαιότητα.<br /> Αντίθετα, τα Type-2 Fuzzy Sets περιγράφουν την αβεβαιότητα των δεδομένων μέσω μιας αβέβαιης συνάρτησης συμμετοχής, καθιστώντας τα πιο κατάλληλα για την αντιμετώπιση πολλαπλών αβεβαιοτήτων στις εικόνες τηλεπισκόπησης. Ωστόσο, η υψηλή υπολογιστική πολυπλοκότητα των Type-2 Fuzzy Sets καθιστά δύσκολη την εφαρμογή τους.<br /> Η ταξινόμηση με βάση Type-2 Fuzzy Sets με Διαστήματα (Interval Type-2 Fuzzy Classification) μπορεί να περιγράψει την υψηλότερης τάξης αβεβαιότητα, μειώνοντας παράλληλα την υπολογιστική πολυπλοκότητα.<br /> <br /> [[Αρχείο:paper5.1]]<br /> <br /> '''Μέθοδος''' <br /> <br /> Για να διατηρηθεί η καλή διατύπωση του προβλήματος ταξινόμησης και η υπολογιστική αποτελεσματικότητα του αλγορίθμου, η παρούσα εργασία προτείνει μια μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης με βάση την Ημι-εποπτευόμενη Προσαρμοστική Ταξινόμηση Fuzzy C-Means Τύπου 2 με Διαστήματα (SS-AIT2FCM).<br /> Τα αποτελέσματα δείχνουν ότι η SS-AIT2FCM βελτιώνει σημαντικά την ταξινόμηση εικόνων τηλεπισκόπησης, αντιμετωπίζοντας αποτελεσματικά την αβεβαιότητα και τα περιορισμένα επισημασμένα δεδομένα.<br /> <br /> '''Αλγόριθμος SS-AIT2FCM'''<br /> <br /> Ο στόχος του αλγορίθμου SS-AIT2FCM, συνδυάζοντας μια ημι-εποπτευόμενη προσέγγιση, εκφράζεται με την συνάρτηση αντικειμενικού σκοπού που φαίνεται στην εικόνα 2. Με όρους:<br /> • λ: Το ποσοστό των επισημασμένων δειγμάτων στο σύνολο δεδομένων.<br /> • XUX_UXU: Το σύνολο μη επισημασμένων δειγμάτων.<br /> • XLX_LXL: Το σύνολο επισημασμένων δειγμάτων.<br /> • ∣XU∣|X_U|∣XU∣ και ∣XL∣|X_L|∣XL∣: Ο αριθμός των δειγμάτων στα σύνολα μη επισημασμένων και επισημασμένων δειγμάτων, αντίστοιχα.<br /> • uiju_{ij}uij: Ο βαθμός συμμετοχής (membership degree) του σημείου δεδομένων xix_ixi στο jjj-οστό σύμπλεγμα.<br /> • dijd_{ij}dij: Η απόσταση μεταξύ του σημείου δεδομένων xix_ixi και του κέντρου συμπλέγματος vpv_pvp.<br /> • ccc: Ο αριθμός των συμπλεγμάτων.<br /> Αυτή η προσέγγιση μπορεί να μειώσει τον αριθμό επαναλήψεων του αλγορίθμου και να αντισταθμίσει την αύξηση του χρόνου εκτέλεσης που προκαλείται από τη βελτίωση της ακρίβειας της ομαδοποίησης. Εάν τα κέντρα των συμπλεγμάτων αρχικοποιηθούν τυχαία, που σημαίνει ότι και ο πίνακας βαθμών συμμετοχής (membership degree matrix) αρχικοποιείται τυχαία, αυτό όχι μόνο θα αυξήσει τον αριθμό των περιττών επαναλήψεων, αλλά και θα οδηγήσει σε ασταθή αποτελέσματα ομαδοποίησης. Αντίθετα, προτείνεται να αρχικοποιούνται τα κέντρα V0 βάσει γνώσεων από ειδικούς το σύνολο επισημασμένων δειγμάτων XL) και στη συνέχεια να γίνεται αρχικοποίηση των βαθμών συμμετοχής.<br /> <br /> '''Αποτελέσματα Πειραμάτων'''<br /> <br /> Ο αλγόριθμος IT2FCM αποδίδει καλύτερα από τον T1FCM σε δεδομένα εικόνων τηλεπισκόπησης χαμηλής χωρικής ανάλυσης, με μεγάλες περιοχές μεικτών πίξελ και πλούσια χαρακτηριστικά. Ο E-AIT2FCM είναι πιο κατάλληλος από τον AIT2FCM για αυτήν την εφαρμογή. Η ακρίβεια του SS-AIT2FCM με αξιοποίηση πρότερων γνώσεων είναι σημαντικά υψηλότερη από αυτήν του μη εποπτευόμενου αλγορίθμου.<br /> Επιπλέον, ο αλγόριθμος μειώνει αποτελεσματικά τον χρόνο υπολογισμού και αντισταθμίζει την αύξηση της πολυπλοκότητας που εισάγει η μέθοδος fuzzy set τύπου 2. Αυτό επιβεβαιώνει περαιτέρω την αποτελεσματικότητα της ημι-εποπτευόμενης προσέγγισης του προτεινόμενου αλγορίθμου.<br /> Περιορισμοί και Μελλοντική Έρευνα<br /> Η επιλογή των επισημασμένων δειγμάτων πρέπει να είναι ακριβής, καθώς η ακρίβεια της ταξινόμησης έχει ακόμη περιθώρια βελτίωσης. Η αντιστοίχιση διαφορετικών δεδομένων τηλεπισκόπησης με ασαφείς αλγορίθμους και η επιλογή επισημασμένων δειγμάτων είναι ερευνητικές κατευθύνσεις που απαιτούν περαιτέρω μελέτη στο μέλλον.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Σε αυτό το άρθρο, προτείναμε μια νέα μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης βασισμένη σε έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου 2 με διαστήματα (SS-AIT2FCM). Οι κύριες συνεισφορές της έρευνας συνοψίζονται ως εξής:<br /> 1. Οδηγία για πιο αξιόπιστο ασαφή δείκτη βαρύτητας (m):<br /> o Ο αλγόριθμος SS-AIT2FCM συγκρίνει επισημασμένα δείγματα με μη εποπτευόμενα αποτελέσματα και χρησιμοποιεί τον προτεινόμενο δείκτη εγκυρότητας ως μέτρο.<br /> o Η διαδικασία υπολογισμού του m είναι επαναληπτική και βασίζεται στη βελτίωση (climbing process). Με τον σχεδιασμό του δείκτη εγκυρότητας, αξιολογούνται τα αποτελέσματα ταξινόμησης για διαφορετικές τιμές του m, ώστε να εντοπιστεί η βέλτιστη.<br /> 2. Εισαγωγή του ημι-εποπτευόμενου μοντέλου στο IT2FCM:<br /> o Η SS-AIT2FCM είναι η πρώτη μέθοδος που εισάγει τη συλληπτική απόσταση ασαφούς μέτρησης και τον ημι-εποπτευόμενο τρόπο για τη δημιουργία του IT2FCM.<br /> o Συνδυάζει επισημασμένα δείγματα για την αρχικοποίηση των κέντρων και για τη βοήθεια στη διαδικασία υπολογισμού των κέντρων. Επιπλέον, η μέθοδος προσαρμοστικής μείωσης τύπου αξιοποιεί πλήρως τα επισημασμένα δείγματα.<br /> <br /> <br /> [[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper5.3.png 2025-01-16T13:22:37Z

<p>Dimitris Delipetros: Εικόνα 3: Αποτέλεσμα πειράματος για το Summer Palace (δεδομένα SPOT5) με βάση διαφορετικές μεθόδους. (a) Αρχικές ψευδόχρωμες σύνθετες εικόνες SPOT5 (ζώνε</p> <hr /> <div>Εικόνα 3: Αποτέλεσμα πειράματος για το Summer Palace (δεδομένα SPOT5) με βάση διαφορετικές μεθόδους. (a) Αρχικές ψευδόχρωμες σύνθετες εικόνες SPOT5 (ζώνες 1, 2 και 3). (b) Αποτέλεσμα με χρήση του αλγορίθμου FCM. (c) Αποτέλεσμα με χρήση του αλγορίθμου IT2FCM με δύο δείκτες ασαφούς βαρύτητας (m₁ = 1.5 και m₂ = 4.5). (d) Αποτέλεσμα με χρήση του αλγορίθμου AIT2FCM. (e) Αποτέλεσμα με χρήση του αλγορίθμου SIIT2-FCM (m₁ = 1.5 και m₂ = 4.5). (f) Αποτέλεσμα με χρήση του εξελικτικού αλγορίθμου E-AIT2FCM, βασισμένο στον εξελικτικό δείκτη ασαφούς βαρύτητας m. (g) Αποτέλεσμα με χρήση του αλγορίθμου SS-AIT2FCM με ποσοστό επισημασμένων δειγμάτων στο 1%.(h) Χάρτης αναφοράς (Ground truth) και υπόμνημα.</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper5.2.png 2025-01-16T13:22:14Z

<p>Dimitris Delipetros: Εικόνα 2: Συνάρτηση αντικειμενικού σκοπού SS-AIT2FCM</p> <hr /> <div>Εικόνα 2: Συνάρτηση αντικειμενικού σκοπού SS-AIT2FCM</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper5.1.png 2025-01-16T13:21:07Z

<p>Dimitris Delipetros: Εικόνα 1: Διάγραμμα ροής του αλγορίθμου SS-AIT2FCM</p> <hr /> <div>Εικόνα 1: Διάγραμμα ροής του αλγορίθμου SS-AIT2FCM</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CF%8E%CE%BD_%CE%BC%CE%BF%CF%81%CF%86%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_%CE%B1%CF%85%CF%84%CE%BF%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%B7%CF%82_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%CF%82_%CE%B1%CE%BD%CF%84%CE%AF%CE%B8%CE%B5%CF%83%CE%B7%CF%82_%CE%B4%CE%B9%CE%B1%CF%86%CE%BF%CF%81%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2025-01-15T12:11:55Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Self-supervised multimodal change detection basedondifferencecontrast learning for remote sensingimagery'' <br /> <br /> ''Συγγραφείς: Xuan Houa, Yunpeng Baib, Yefan Xiea, Yunfeng Zhangc, Lei Fua, Ying Lia, Changjing Shang, Qiang Shen''<br /> <br /> ''Πηγή: School of Computer Science, National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology, Shaanxi Provincial Key Laboratory of Speech &amp; Image Information Processing, Northwestern Polytechnical University, Xi’an, 710129, China Department of Computer Science, Aberystwyth University, Aberystwyth, SY23 3DB, UK Shaanxi Satellite Application Center for Natural Resources, Xi’an, 710065, China School of Software, Northwestern Polytechnical University, Xi’an, 710129, China''<br /> <br /> ''Λέξεις κλειδιά: Self-supervised learning, Change detection, Multimodal image, Remote sensing''<br /> <br /> ''Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.patcog.2024.111148''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η ανίχνευση αλλαγών (Change Detection - CD) είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό αλλαγών στην επιφάνεια της γης, προσδιορίζοντας περιοχές αλλαγών μέσω διάκρισης και ταξινόμησης εικόνων δύο χρονικών στιγμών, πίξελ προς πίξελ. Ο στόχος αυτής της έρευνας είναι να εντοπίσει περιοχές ενδιαφέροντος όπου έχουν συμβεί αλλαγές με την πάροδο του χρόνου, ενώ παράλληλα να φιλτράρει πληροφορίες ψευδο-αλλαγών (που οφείλονται σε παράγοντες όπως ο φωτισμός και η εποχικότητα). Η ανίχνευση αλλαγών στις εικόνες τηλεπισκόπησης έχει σημαντική πρακτική αξία, καθώς παρέχει καθοδήγηση για:<br /> • Ανοικοδόμηση μετά από καταστροφές.<br /> • Υποστήριξη της αστικής ανάπτυξης.<br /> • Διατήρηση δασών και προστασία του περιβάλλοντος.<br /> <br /> '''Προκλήσεις και Τεχνολογίες'''<br /> Για την κάλυψη των αναγκών παρακολούθησης της επιφάνειας της γης, έχουν αναπτυχθεί προηγμένοι αισθητήρες που παράγουν εικόνες με διαφορετικά χαρακτηριστικά:<br /> 1. Οπτικές εικόνες: Πλούσιες σε χαρακτηριστικά, αλλά ευάλωτες σε καιρικές συνθήκες.<br /> 2. Εικόνες SAR (Synthetic Aperture Radar): Με καλή διείσδυση και ανθεκτικότητα στον καιρό, αλλά περιορισμένες σε μονοζωνικά δεδομένα και χαμηλότερη ανάλυση.<br /> Οι διαφορές αυτές απαιτούν εξελιγμένες μεθόδους για τη μελέτη διαφορετικών κατηγοριών εικόνων. Στα τρέχοντα αλγόριθμα CD, τα δεδομένα θεωρούνται συχνά ομοιογενή, δηλαδή ότι προέρχονται από τον ίδιο αισθητήρα. Ωστόσο, στην πράξη (π.χ., αξιολογήσεις καταστροφών), οι εικόνες συχνά προέρχονται από διαφορετικούς αισθητήρες, ενισχύοντας την ανάγκη για τεχνολογίες ανίχνευσης αλλαγών σε πολυμορφικά δεδομένα.<br /> Self-DCF<br /> Για την αντιμετώπιση αυτών των προβλημάτων, το άρθρο προτείνει έναν νέο αλγόριθμο Multimodal Change Detection (MCD) με αυτοεποπτευόμενη μάθηση και μια μονάδα Unified Mapping Unit (UMU):<br /> • Χαρακτηριστικά:<br /> o Ανάγκη για μη επισημασμένα δεδομένα.<br /> o Μείωση θορύβου και εξαγωγή χαρακτηριστικών από εικόνες διαφορετικών αισθητήρων.<br /> • Αρχιτεκτονική:<br /> o Εισαγωγή του Dynamic Large Kernel (DLK) για αποδοτική εκμάθηση σε πολλαπλές κλίμακες.<br /> o Ενοποίηση χαρακτηριστικών μέσω της UMU για τη μείωση του χάσματος μεταξύ δεδομένων.<br /> <br /> '''Μέθοδος'''<br /> <br /> Αυτή η ενότητα περιγράφει το συνολικό πλαίσιο αυτοεποπτευόμενης μάθησης της προτεινόμενης μεθόδου, παρουσιάζοντας τα δίκτυα εξαγωγής χαρακτηριστικών που χρησιμοποιούνται για διαφορετικές μορφές δεδομένων, καθώς και τη μονάδα ενοποιημένης χαρτογράφησης (Unified Mapping Unit - UMU) και τη συνάρτηση απωλειών που εφαρμόζεται για την εκπαίδευση του δικτύου.<br /> Επισκόπηση<br /> Η ανίχνευση αλλαγών (Change Detection - CD) για εικόνες τηλεπισκόπησης περιλαμβάνει ταξινόμηση σε επίπεδο πίξελ, όπου το ζητούμενο είναι να προσδιοριστεί αν κάθε πίξελ έχει υποστεί κάποια αλλαγή. Παραδοσιακά, η ανίχνευση απαιτεί λεπτομερή επισήμανση πίξελ από ειδικούς. Επιπλέον, δεδομένου ότι οι εικόνες σε ένα πολυμορφικό έργο CD προέρχονται από διαφορετικούς αισθητήρες (όπως SAR και οπτικές εικόνες), συχνά χρειάζονται συνεργασία ειδικών από διαφορετικούς τομείς, κάτι που οδηγεί σε έλλειψη συνεπών συνόλων δεδομένων και μειωμένη απόδοση των μεθόδων βαθιάς μάθησης.<br /> Η παρούσα εργασία στοχεύει να χρησιμοποιήσει αυτοεποπτευόμενη μάθηση για την ανίχνευση αλλαγών που συμβαίνουν στην επιφάνεια του εδάφους από πολυμορφικές εικόνες πριν και μετά την αλλαγή.<br /> <br /> '''Πλαίσιο Self-DCF'''<br /> <br /> Το προτεινόμενο πλαίσιο Self-DCF (Self-supervised Difference Contrast Framework) κατασκευάστηκε για:<br /> 1. Την εξαγωγή αποτελεσματικών χαρακτηριστικών από τις εικόνες.<br /> 2. Την ανάλυση και τον διαχωρισμό των χαρακτηριστικών αυτών για τη δημιουργία χαρτών αλλαγών.<br /> Δεδομένα εισόδου<br /> Οι είσοδοι του Self-DCF περιλαμβάνουν:<br /> • Εικόνα πριν την αλλαγή (𝐼𝑀1).<br /> • Εικόνα μετά την αλλαγή (𝐼𝑀2).<br /> • Συνδυασμένη εικόνα (𝐼𝑐𝑜𝑛): Ορίζεται ως η στοίβα των 𝐼𝑀1 και 𝐼𝑀2 κατά τη διάσταση καναλιού.<br /> • Μεταφρασμένη εικόνα (𝐼𝑇𝑀1): Παράγεται μέσω μετάφρασης δεδομένων από την 𝐼𝑀1 ώστε να προσομοιάζει το είδος των δεδομένων της 𝐼𝑀2.<br /> Η 𝐼𝑇𝑀1 δεν είναι πραγματική εικόνα τηλεπισκόπησης, αλλά προσομοιωμένα δεδομένα που προκύπτουν από την 𝐼𝑀1. Η μετάφραση βασίζεται σε προεκπαιδευμένα μοντέλα με συνδυασμένα δεδομένα SAR και οπτικών εικόνων, τα οποία ελαχιστοποιούν το χάσμα μεταξύ μορφών δεδομένων (domain gap). Παρόλο που αυτή η διαδικασία μπορεί να εισάγει θόρυβο, ενισχύει τη σταθερότητα του Self-DCF.<br /> <br /> '''Διαδικασία Self-DCF'''<br /> <br /> Το Self-DCF χωρίζεται σε τρία μέρη:<br /> 1. Δίκτυο εκπαίδευσης (Deep trainable network):<br /> o Περιλαμβάνει ένα πολυμορφικό δίκτυο εξαγωγής χαρακτηριστικών (poly feature extraction network) και τη μονάδα ενοποίησης (UMU).<br /> o Εξάγει χαρακτηριστικά από τις τέσσερις εισαγωγές δεδομένων και χαρτογραφεί τα χαρακτηριστικά στον ίδιο χώρο υψηλής διάστασης, μειώνοντας το χάσμα μεταξύ των μορφών εικόνων.<br /> 2. Φάση εκπαίδευσης (Training phase):<br /> o Χρησιμοποιείται η συνάρτηση απώλειας cross entropy για τη διατήρηση της πληροφορίας των ζευγών εικόνων και η συνάρτηση απώλειας contrastive για την επίβλεψη του μοντέλου.<br /> 3. Φάση συμπερασμάτων (Inference phase):<br /> o Χρησιμοποιείται μια μέθοδος κατωφλίωσης (thresholding) για τη δημιουργία του χάρτη αλλαγών μέσω ανάλυσης των χαρακτηριστικών που εξήχθησαν από το εκπαιδευμένο δίκτυο.<br /> <br /> [[Αρχείο:1.1.png]]<br /> <br /> Αρχιτεκτονική του Self-DCF (α) Δίκτυο με δυνατότητα εκπαίδευσης, (β) Φάση εκπαίδευσης και (γ) Φάση συμπερασμάτων. Η λεπτομέρεια της Μονάδας Ενοποιημένης Χαρτογράφησης (Unified Mapping Unit - UMU).<br /> <br /> '''Πολυμορφικό Δίκτυο Εξαγωγής Χαρακτηριστικών'''<br /> <br /> Τα Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks - CNN) έχουν την ικανότητα να αποτυπώνουν αυξημένα επίπεδα αφαίρεσης και πολυπλοκότητας στις ιεραρχίες χαρακτηριστικών, μαθαίνοντας ισχυρά και αντιπροσωπευτικά χαρακτηριστικά.<br /> Ένα πολυκλαδικό πλαίσιο μάθησης, βασισμένο στα CNN, σχεδιάστηκε για να μαθαίνει διακριτά χαρακτηριστικά από εικόνες. Αυτό το πλαίσιο περιλαμβάνει:<br /> • Δίκτυο ψευδο-triplet με δύο κλάδους για την εκμάθηση πλούσιας πληροφορίας εικόνας από ζεύγη εικόνων δύο χρονικών στιγμών.<br /> • Ένα ακόμα δίκτυο με έναν κλάδο για την εκμάθηση της πληροφορίας διαφορών μεταξύ πολυμορφικών ζευγών εικόνων δύο χρονικών στιγμών.<br /> Αυτό το σύστημα επιτρέπει την αποτελεσματική εξαγωγή διακριτών χαρακτηριστικών τόσο από ομοιογενείς όσο και από ετερογενείς εικόνες τηλεπισκόπησης.<br /> Ενοποιημένη Μονάδα Χαρτογράφησης (Unified Mapping Unit - UMU)<br /> Η χαρτογράφηση πολυμορφικών εικόνων δύο χρονικών στιγμών σε συγκρίσιμους χώρους χαρακτηριστικών παραμένει μια σημαντική πρόκληση για την ανίχνευση αλλαγών (Change Detection - CD) σε εικόνες τηλεπισκόπησης. Αυτό οφείλεται στο μεγάλο χάσμα πεδίων εικόνας (domain gap) που συνήθως υπάρχει μεταξύ εικόνων από διαφορετικές μορφές δεδομένων.<br /> Για την αντιμετώπιση αυτού του προβλήματος, σχεδιάστηκε μια Ενοποιημένη Μονάδα Χαρτογράφησης (Unified Mapping Unit - UMU) για να προβάλλει τέσσερα ξεχωριστά χαρακτηριστικά, 𝑭𝑀1, 𝑭𝑇𝑀1, 𝑭𝑀2 και 𝑭𝑑, που προέρχονται από το πολυμορφικό δίκτυο εξαγωγής χαρακτηριστικών, σε έναν κοινό χώρο διαστάσεων.<br /> <br /> Λειτουργία της UMU<br /> 1. Ανεξάρτητη Επεξεργασία Εισόδων:<br /> o Η UMU αρχικά διαχειρίζεται τις εισόδους από κάθε μορφή δεδομένων ανεξάρτητα, επεξεργαζόμενη τα χαρακτηριστικά από κάθε κλάδο ξεχωριστά.<br /> o Στόχος είναι η ενοποίηση διαφορετικών χώρων χαρακτηριστικών, ώστε τα χαρακτηριστικά 𝑭′𝑀1, 𝑭𝑇′𝑀1, 𝑭′𝑀2 και 𝑭′𝑑 να είναι συγκρίσιμα.<br /> 2. Αρχιτεκτονική Transformer:<br /> o Ενσωματώνει μια αρχιτεκτονική transformer για να καταγράψει πληροφορίες πλαισίου (context) από τους χάρτες χαρακτηριστικών.<br /> o Χαρτογραφεί διαφορετικούς χάρτες χαρακτηριστικών στον ίδιο χώρο από μια παγκόσμια οπτική.<br /> Δομή της UMU<br /> Η UMU αποτελείται από δύο μέρη:<br /> 1. Κωδικοποιητής tokens (Token Encoder):<br /> o Μετασχηματίζει τα εισερχόμενα χαρακτηριστικά σε σειριακά tokens.<br /> o Αυξάνει τη διασύνδεση μεταξύ χαρακτηριστικών, δημιουργώντας το υπόβαθρο για την ενοποίησή τους σε έναν ομοιογενή χώρο.<br /> 2. Αποκωδικοποιητής tokens (Token Decoder):<br /> o Ραφινάρει τα tokens και τα χαρτογραφεί σε έναν συνεκτικό χώρο χαρακτηριστικών, εφαρμόζοντας έναν μηχανισμό διασταυρούμενης προσοχής (cross-attention).<br /> o Εξασφαλίζει τη χωρική συνέπεια και συγκρισιμότητα των χαρακτηριστικών που προέρχονται από διαφορετικές μορφές δεδομένων και χρονικές στιγμές.<br /> Αυτή η διαδικασία καθιστά δυνατή την ενοποίηση πληροφοριών από διαφορετικές μορφές δεδομένων σε έναν κοινό, εναρμονισμένο χώρο χαρακτηριστικών, επιτρέποντας αξιόπιστη και συγκρίσιμη ανάλυση.<br /> Πείραμα και Συζήτηση<br /> <br /> '''4.1. Σύνολα Δεδομένων'''<br /> <br /> Η αποτελεσματικότητα της προτεινόμενης προσέγγισης αξιολογείται χρησιμοποιώντας τρία σύνολα δημοσίως διαθέσιμων πολυμορφικών εικόνων δύο χρονικών στιγμών.<br /> 1. Δεδομένα από το Onera Satellite Change Detection (OSCD):<br /> o Μορφή 1 (Modality 1): Εικόνες από τον αισθητήρα Sentinel-2, που περιλαμβάνουν τέσσερα φασματικά στοιχεία (κόκκινο, πράσινο, μπλε και υπέρυθρο), με ανάλυση 10 μέτρων.<br /> o Μορφή 2 (Modality 2): Εικόνες SAR από τον αισθητήρα Sentinel-1, προερχόμενες από επεκτάσεις του OSCD.<br /> Οι εικόνες συλλέγονται από τρεις πόλεις:<br /> • Μουμπάι (Mumbai): 858 × 557 πίξελ.<br /> • Χονγκ Κονγκ (Hong Kong): 695 × 540 πίξελ.<br /> • Saclay: 688 × 639 πίξελ.<br /> Αυτές οι εικόνες καλύπτουν τρεις διαφορετικές μορφές:<br /> 1. Πολυφασματικές εικόνες (multispectral: κόκκινο, πράσινο, μπλε και υπέρυθρο).<br /> 2. Ορατές εικόνες (visible: κόκκινο, πράσινο, μπλε).<br /> 3. Εικόνες SAR.<br /> Η Εικόνα 2 παρουσιάζει τις εικόνες από δύο μορφές (ορατές και SAR) για τα παραπάνω σύνολα δεδομένων, καθώς και τους αντίστοιχους χάρτες αναφοράς αλλαγών.<br /> <br /> [[Αρχείο:1.2.png]]<br /> <br /> Πολυμορφικά ζεύγη εικόνων δύο χρονικών στιγμών και χάρτες αλλαγών.<br /> <br /> 2. Πρόσθετα Σύνολα Δεδομένων:<br /> o River dataset:<br /> Περιλαμβάνει μια εικόνα SAR από τον αισθητήρα Radarsat-2 (εικόνα πριν την αλλαγή) και μια πανχρωματική εικόνα από τον Landsat-7 (εικόνα μετά την αλλαγή), και οι δύο με επεξεργασμένες διαστάσεις 343 × 291 πίξελ.<br /> Η κύρια ανιχνευθείσα αλλαγή είναι η διάβρωση των όχθεων ποταμών.<br /> o Shuguang dataset:<br /> Περιλαμβάνει μια εικόνα SAR πριν την αλλαγή (2008) και μια οπτική εικόνα μετά την αλλαγή (2012), και οι δύο προτυποποιημένες σε διαστάσεις 593 × 921 πίξελ.<br /> Η κύρια αλλαγή αφορά την κατασκευή κτιρίων σε πρώην γεωργικές εκτάσεις.<br /> <br /> '''Σκοπός Χρήσης των Δεδομένων'''<br /> <br /> Αυτά τα δεδομένα εμπλουτίζουν το πεδίο της μελέτης με διάφορα σενάρια αλλαγών και μορφές δεδομένων, παρέχοντας μια ολοκληρωμένη βάση για την αξιολόγηση της αποτελεσματικότητας των μεθόδων ανίχνευσης αλλαγών (MCD).<br /> Σύγκριση Μέθοδοι<br /> Για να επαληθευτεί η απόδοση της προτεινόμενης προσέγγισης, συγκρίθηκαν έξι υπάρχουσες μέθοδοι μη εποπτευόμενης ανίχνευσης αλλαγών (CD) από τη βιβλιογραφία, καθώς και δύο αυτοεποπτευόμενες μέθοδοι. Οι μέθοδοι είναι οι εξής:<br /> 1. Ανάλυση Διανύσματος Αλλαγής (Change Vector Analysis - CVA):<br /> o Κλασική μη εποπτευόμενη μέθοδος ανίχνευσης αλλαγών.<br /> 2. Βαθιά Ανάλυση Διανύσματος Αλλαγής (Deep Change Vector Analysis - DCVA):<br /> o Ένα προεκπαιδευμένο συνελικτικό νευρωνικό δίκτυο εξάγει υπερδιανύσματα χαρακτηριστικών πολλαπλών χρονικών στιγμών, τα οποία αναλύονται για τη δημιουργία δυαδικού χάρτη αλλαγών.<br /> 3. Γραφήματα Βασισμένα σε Μη Τοπική Ομοιότητα Μοτίβων (Nonlocal Patch Similarity-Based Graph - NPSG):<br /> o Χρησιμοποιείται ένα μέτρο ομοιότητας για την κατασκευή γραφήματος για κάθε μοτίβο (patch), ενώ το αποτέλεσμα συγκρίνει τις δομές των γραφημάτων για την ανίχνευση αλλαγών.<br /> 4. Βελτιωμένο Γράφημα Μη Τοπικής Βάσης (Improved Nonlocal Patch-Based Graph - INLPG):<br /> o Βασίζεται στη δομική συνοχή για τη σύγκριση των δομών των εικόνων δύο χρονικών στιγμών και την ανίχνευση περιοχών αλλαγών.<br /> 5. Ιτερική Σταθερή Αναπαράσταση και Σημασιολογική Συντμημένη Συνεπιμέτρηση (Iterative Robust Graph and Markovian Co-Segmentation - IRGMcS):<br /> o Χρησιμοποιείται γράφημα K-πλησιέστερων γειτόνων για την αναπαράσταση των δομών των εικόνων και οι χάρτες αλλαγών δημιουργούνται μέσω Μαρκοβιανής τμηματοποίησης.<br /> 6. Γράφημα Βασισμένο σε Σχέσεις Ομοιότητας και Διαφορετικότητας (Similarity and Dissimilarity Relationships-Based Graph - SDIR):<br /> o Χρησιμοποιεί σχέσεις διαφορετικότητας ως συμπληρωματική προσέγγιση στις σχέσεις ομοιότητας για την κατασκευή γραφήματος δομής.<br /> 7. Αυτοεποπτευόμενη Ανίχνευση Αλλαγών Πολλαπλών Αισθητήρων (Self-Supervised Multisensor Change Detection - SMCD):<br /> o Ένα αυτοεποπτευόμενο δίκτυο χρησιμοποιεί βαθιά ομαδοποίηση και μάθηση αντίθεσης για την εξαγωγή χαρακτηριστικών και σύγκριση των χαρτών αλλαγών. Θεωρείται η κορυφαία μέθοδος (State-of-the-Art - SOTA) για τα σύνολα δεδομένων που εξετάζονται.<br /> 8. Αυτοεποπτευόμενη Ανίχνευση Αλλαγών Με Καθοδήγηση από Υπερπίξελ (Superpixel-Guided Self-Supervised Change Detection - S3CD):<br /> o Μη εποπτευόμενο δίκτυο που βασίζεται στην αυτοεποπτευόμενη μάθηση με καθοδήγηση από υπερπίξελ. Αντιμετωπίζει την έλλειψη δεδομένων εκπαίδευσης, δημιουργώντας υψηλής ποιότητας εικόνες διαφορών μέσω ανάλυσης χαρακτηριστικών σε πολλαπλές κλίμακες.<br /> <br /> Οι παραπάνω μέθοδοι συγκρίνονται για να αξιολογηθεί η αποτελεσματικότητα της προτεινόμενης προσέγγισης στα πολυμορφικά δεδομένα δύο χρονικών στιγμών.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Αυτό το άρθρο παρουσίασε έναν νέο αλγόριθμο αυτοεποπτευόμενης ανίχνευσης αλλαγών (MCD), εξοπλισμένο με μια προτεινόμενη μονάδα ενοποιημένης χαρτογράφησης (Unified Mapping Unit - UMU) για την αντιμετώπιση των προκλήσεων που υπάρχουν στην ανίχνευση αλλαγών σε πολυμορφικές εικόνες τηλεπισκόπησης. Ο προτεινόμενος αλγόριθμος Self-DCF επιλύει αποτελεσματικά το ζήτημα της έλλειψης επισημασμένων δεδομένων στα καθήκοντα MCD, αξιοποιώντας ένα πλαίσιο αυτοεποπτευόμενης μάθησης που δεν απαιτεί ετικέτες. Επιπλέον, η UMU ενσωματώνεται για να μειώσει το χάσμα των πεδίων εικόνας μεταξύ των πολυμορφικών εικόνων δύο χρονικών στιγμών, επιτρέποντας ταυτόχρονη σύγκριση και επίβλεψη με πληροφορίες από διαφορετικές πηγές δεδομένων.<br /> Η αποτελεσματικότητα της προτεινόμενης προσέγγισης έχει επικυρωθεί σε πέντε δημοφιλή και απαιτητικά σύνολα δεδομένων, με πειραματικά αποτελέσματα, τόσο ποσοτικά όσο και ποιοτικά, να καταδεικνύουν το δυναμικό της. Οι συγκριτικές μελέτες δείχνουν ότι το Self-DCF προσφέρει ισορροπημένη απόδοση και υπεροχή σε σχέση με τις προηγμένες μη εποπτευόμενες και αυτοεποπτευόμενες μεθόδους ανίχνευσης αλλαγών για ετερογενείς εικόνες.<br /> <br /> <br /> [[category:Χαρτογραφία]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CF%8E%CE%BD_%CE%BC%CE%BF%CF%81%CF%86%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_%CE%B1%CF%85%CF%84%CE%BF%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%B7%CF%82_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%CF%82_%CE%B1%CE%BD%CF%84%CE%AF%CE%B8%CE%B5%CF%83%CE%B7%CF%82_%CE%B4%CE%B9%CE%B1%CF%86%CE%BF%CF%81%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2025-01-15T12:11:31Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Self-supervised multimodal change detection basedondifferencecontrast learning for remote sensingimagery ''<br /> <br /> ''Συγγραφείς: Xuan Houa, Yunpeng Baib, Yefan Xiea, Yunfeng Zhangc, Lei Fua, Ying Lia, Changjing Shang, Qiang Shen''<br /> <br /> ''Πηγή: School of Computer Science, National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology, Shaanxi Provincial Key Laboratory of Speech &amp; Image Information Processing, Northwestern Polytechnical University, Xi’an, 710129, China Department of Computer Science, Aberystwyth University, Aberystwyth, SY23 3DB, UK Shaanxi Satellite Application Center for Natural Resources, Xi’an, 710065, China School of Software, Northwestern Polytechnical University, Xi’an, 710129, China''<br /> <br /> ''Λέξεις κλειδιά: Self-supervised learning, Change detection, Multimodal image, Remote sensing''<br /> <br /> ''Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.patcog.2024.111148''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η ανίχνευση αλλαγών (Change Detection - CD) είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό αλλαγών στην επιφάνεια της γης, προσδιορίζοντας περιοχές αλλαγών μέσω διάκρισης και ταξινόμησης εικόνων δύο χρονικών στιγμών, πίξελ προς πίξελ. Ο στόχος αυτής της έρευνας είναι να εντοπίσει περιοχές ενδιαφέροντος όπου έχουν συμβεί αλλαγές με την πάροδο του χρόνου, ενώ παράλληλα να φιλτράρει πληροφορίες ψευδο-αλλαγών (που οφείλονται σε παράγοντες όπως ο φωτισμός και η εποχικότητα). Η ανίχνευση αλλαγών στις εικόνες τηλεπισκόπησης έχει σημαντική πρακτική αξία, καθώς παρέχει καθοδήγηση για:<br /> • Ανοικοδόμηση μετά από καταστροφές.<br /> • Υποστήριξη της αστικής ανάπτυξης.<br /> • Διατήρηση δασών και προστασία του περιβάλλοντος.<br /> <br /> '''Προκλήσεις και Τεχνολογίες'''<br /> Για την κάλυψη των αναγκών παρακολούθησης της επιφάνειας της γης, έχουν αναπτυχθεί προηγμένοι αισθητήρες που παράγουν εικόνες με διαφορετικά χαρακτηριστικά:<br /> 1. Οπτικές εικόνες: Πλούσιες σε χαρακτηριστικά, αλλά ευάλωτες σε καιρικές συνθήκες.<br /> 2. Εικόνες SAR (Synthetic Aperture Radar): Με καλή διείσδυση και ανθεκτικότητα στον καιρό, αλλά περιορισμένες σε μονοζωνικά δεδομένα και χαμηλότερη ανάλυση.<br /> Οι διαφορές αυτές απαιτούν εξελιγμένες μεθόδους για τη μελέτη διαφορετικών κατηγοριών εικόνων. Στα τρέχοντα αλγόριθμα CD, τα δεδομένα θεωρούνται συχνά ομοιογενή, δηλαδή ότι προέρχονται από τον ίδιο αισθητήρα. Ωστόσο, στην πράξη (π.χ., αξιολογήσεις καταστροφών), οι εικόνες συχνά προέρχονται από διαφορετικούς αισθητήρες, ενισχύοντας την ανάγκη για τεχνολογίες ανίχνευσης αλλαγών σε πολυμορφικά δεδομένα.<br /> Self-DCF<br /> Για την αντιμετώπιση αυτών των προβλημάτων, το άρθρο προτείνει έναν νέο αλγόριθμο Multimodal Change Detection (MCD) με αυτοεποπτευόμενη μάθηση και μια μονάδα Unified Mapping Unit (UMU):<br /> • Χαρακτηριστικά:<br /> o Ανάγκη για μη επισημασμένα δεδομένα.<br /> o Μείωση θορύβου και εξαγωγή χαρακτηριστικών από εικόνες διαφορετικών αισθητήρων.<br /> • Αρχιτεκτονική:<br /> o Εισαγωγή του Dynamic Large Kernel (DLK) για αποδοτική εκμάθηση σε πολλαπλές κλίμακες.<br /> o Ενοποίηση χαρακτηριστικών μέσω της UMU για τη μείωση του χάσματος μεταξύ δεδομένων.<br /> <br /> '''Μέθοδος'''<br /> <br /> Αυτή η ενότητα περιγράφει το συνολικό πλαίσιο αυτοεποπτευόμενης μάθησης της προτεινόμενης μεθόδου, παρουσιάζοντας τα δίκτυα εξαγωγής χαρακτηριστικών που χρησιμοποιούνται για διαφορετικές μορφές δεδομένων, καθώς και τη μονάδα ενοποιημένης χαρτογράφησης (Unified Mapping Unit - UMU) και τη συνάρτηση απωλειών που εφαρμόζεται για την εκπαίδευση του δικτύου.<br /> Επισκόπηση<br /> Η ανίχνευση αλλαγών (Change Detection - CD) για εικόνες τηλεπισκόπησης περιλαμβάνει ταξινόμηση σε επίπεδο πίξελ, όπου το ζητούμενο είναι να προσδιοριστεί αν κάθε πίξελ έχει υποστεί κάποια αλλαγή. Παραδοσιακά, η ανίχνευση απαιτεί λεπτομερή επισήμανση πίξελ από ειδικούς. Επιπλέον, δεδομένου ότι οι εικόνες σε ένα πολυμορφικό έργο CD προέρχονται από διαφορετικούς αισθητήρες (όπως SAR και οπτικές εικόνες), συχνά χρειάζονται συνεργασία ειδικών από διαφορετικούς τομείς, κάτι που οδηγεί σε έλλειψη συνεπών συνόλων δεδομένων και μειωμένη απόδοση των μεθόδων βαθιάς μάθησης.<br /> Η παρούσα εργασία στοχεύει να χρησιμοποιήσει αυτοεποπτευόμενη μάθηση για την ανίχνευση αλλαγών που συμβαίνουν στην επιφάνεια του εδάφους από πολυμορφικές εικόνες πριν και μετά την αλλαγή.<br /> <br /> '''Πλαίσιο Self-DCF'''<br /> <br /> Το προτεινόμενο πλαίσιο Self-DCF (Self-supervised Difference Contrast Framework) κατασκευάστηκε για:<br /> 1. Την εξαγωγή αποτελεσματικών χαρακτηριστικών από τις εικόνες.<br /> 2. Την ανάλυση και τον διαχωρισμό των χαρακτηριστικών αυτών για τη δημιουργία χαρτών αλλαγών.<br /> Δεδομένα εισόδου<br /> Οι είσοδοι του Self-DCF περιλαμβάνουν:<br /> • Εικόνα πριν την αλλαγή (𝐼𝑀1).<br /> • Εικόνα μετά την αλλαγή (𝐼𝑀2).<br /> • Συνδυασμένη εικόνα (𝐼𝑐𝑜𝑛): Ορίζεται ως η στοίβα των 𝐼𝑀1 και 𝐼𝑀2 κατά τη διάσταση καναλιού.<br /> • Μεταφρασμένη εικόνα (𝐼𝑇𝑀1): Παράγεται μέσω μετάφρασης δεδομένων από την 𝐼𝑀1 ώστε να προσομοιάζει το είδος των δεδομένων της 𝐼𝑀2.<br /> Η 𝐼𝑇𝑀1 δεν είναι πραγματική εικόνα τηλεπισκόπησης, αλλά προσομοιωμένα δεδομένα που προκύπτουν από την 𝐼𝑀1. Η μετάφραση βασίζεται σε προεκπαιδευμένα μοντέλα με συνδυασμένα δεδομένα SAR και οπτικών εικόνων, τα οποία ελαχιστοποιούν το χάσμα μεταξύ μορφών δεδομένων (domain gap). Παρόλο που αυτή η διαδικασία μπορεί να εισάγει θόρυβο, ενισχύει τη σταθερότητα του Self-DCF.<br /> <br /> '''Διαδικασία Self-DCF'''<br /> <br /> Το Self-DCF χωρίζεται σε τρία μέρη:<br /> 1. Δίκτυο εκπαίδευσης (Deep trainable network):<br /> o Περιλαμβάνει ένα πολυμορφικό δίκτυο εξαγωγής χαρακτηριστικών (poly feature extraction network) και τη μονάδα ενοποίησης (UMU).<br /> o Εξάγει χαρακτηριστικά από τις τέσσερις εισαγωγές δεδομένων και χαρτογραφεί τα χαρακτηριστικά στον ίδιο χώρο υψηλής διάστασης, μειώνοντας το χάσμα μεταξύ των μορφών εικόνων.<br /> 2. Φάση εκπαίδευσης (Training phase):<br /> o Χρησιμοποιείται η συνάρτηση απώλειας cross entropy για τη διατήρηση της πληροφορίας των ζευγών εικόνων και η συνάρτηση απώλειας contrastive για την επίβλεψη του μοντέλου.<br /> 3. Φάση συμπερασμάτων (Inference phase):<br /> o Χρησιμοποιείται μια μέθοδος κατωφλίωσης (thresholding) για τη δημιουργία του χάρτη αλλαγών μέσω ανάλυσης των χαρακτηριστικών που εξήχθησαν από το εκπαιδευμένο δίκτυο.<br /> <br /> [[Αρχείο:1.1.png]]<br /> <br /> Αρχιτεκτονική του Self-DCF (α) Δίκτυο με δυνατότητα εκπαίδευσης, (β) Φάση εκπαίδευσης και (γ) Φάση συμπερασμάτων. Η λεπτομέρεια της Μονάδας Ενοποιημένης Χαρτογράφησης (Unified Mapping Unit - UMU).<br /> <br /> '''Πολυμορφικό Δίκτυο Εξαγωγής Χαρακτηριστικών'''<br /> <br /> Τα Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks - CNN) έχουν την ικανότητα να αποτυπώνουν αυξημένα επίπεδα αφαίρεσης και πολυπλοκότητας στις ιεραρχίες χαρακτηριστικών, μαθαίνοντας ισχυρά και αντιπροσωπευτικά χαρακτηριστικά.<br /> Ένα πολυκλαδικό πλαίσιο μάθησης, βασισμένο στα CNN, σχεδιάστηκε για να μαθαίνει διακριτά χαρακτηριστικά από εικόνες. Αυτό το πλαίσιο περιλαμβάνει:<br /> • Δίκτυο ψευδο-triplet με δύο κλάδους για την εκμάθηση πλούσιας πληροφορίας εικόνας από ζεύγη εικόνων δύο χρονικών στιγμών.<br /> • Ένα ακόμα δίκτυο με έναν κλάδο για την εκμάθηση της πληροφορίας διαφορών μεταξύ πολυμορφικών ζευγών εικόνων δύο χρονικών στιγμών.<br /> Αυτό το σύστημα επιτρέπει την αποτελεσματική εξαγωγή διακριτών χαρακτηριστικών τόσο από ομοιογενείς όσο και από ετερογενείς εικόνες τηλεπισκόπησης.<br /> Ενοποιημένη Μονάδα Χαρτογράφησης (Unified Mapping Unit - UMU)<br /> Η χαρτογράφηση πολυμορφικών εικόνων δύο χρονικών στιγμών σε συγκρίσιμους χώρους χαρακτηριστικών παραμένει μια σημαντική πρόκληση για την ανίχνευση αλλαγών (Change Detection - CD) σε εικόνες τηλεπισκόπησης. Αυτό οφείλεται στο μεγάλο χάσμα πεδίων εικόνας (domain gap) που συνήθως υπάρχει μεταξύ εικόνων από διαφορετικές μορφές δεδομένων.<br /> Για την αντιμετώπιση αυτού του προβλήματος, σχεδιάστηκε μια Ενοποιημένη Μονάδα Χαρτογράφησης (Unified Mapping Unit - UMU) για να προβάλλει τέσσερα ξεχωριστά χαρακτηριστικά, 𝑭𝑀1, 𝑭𝑇𝑀1, 𝑭𝑀2 και 𝑭𝑑, που προέρχονται από το πολυμορφικό δίκτυο εξαγωγής χαρακτηριστικών, σε έναν κοινό χώρο διαστάσεων.<br /> <br /> Λειτουργία της UMU<br /> 1. Ανεξάρτητη Επεξεργασία Εισόδων:<br /> o Η UMU αρχικά διαχειρίζεται τις εισόδους από κάθε μορφή δεδομένων ανεξάρτητα, επεξεργαζόμενη τα χαρακτηριστικά από κάθε κλάδο ξεχωριστά.<br /> o Στόχος είναι η ενοποίηση διαφορετικών χώρων χαρακτηριστικών, ώστε τα χαρακτηριστικά 𝑭′𝑀1, 𝑭𝑇′𝑀1, 𝑭′𝑀2 και 𝑭′𝑑 να είναι συγκρίσιμα.<br /> 2. Αρχιτεκτονική Transformer:<br /> o Ενσωματώνει μια αρχιτεκτονική transformer για να καταγράψει πληροφορίες πλαισίου (context) από τους χάρτες χαρακτηριστικών.<br /> o Χαρτογραφεί διαφορετικούς χάρτες χαρακτηριστικών στον ίδιο χώρο από μια παγκόσμια οπτική.<br /> Δομή της UMU<br /> Η UMU αποτελείται από δύο μέρη:<br /> 1. Κωδικοποιητής tokens (Token Encoder):<br /> o Μετασχηματίζει τα εισερχόμενα χαρακτηριστικά σε σειριακά tokens.<br /> o Αυξάνει τη διασύνδεση μεταξύ χαρακτηριστικών, δημιουργώντας το υπόβαθρο για την ενοποίησή τους σε έναν ομοιογενή χώρο.<br /> 2. Αποκωδικοποιητής tokens (Token Decoder):<br /> o Ραφινάρει τα tokens και τα χαρτογραφεί σε έναν συνεκτικό χώρο χαρακτηριστικών, εφαρμόζοντας έναν μηχανισμό διασταυρούμενης προσοχής (cross-attention).<br /> o Εξασφαλίζει τη χωρική συνέπεια και συγκρισιμότητα των χαρακτηριστικών που προέρχονται από διαφορετικές μορφές δεδομένων και χρονικές στιγμές.<br /> Αυτή η διαδικασία καθιστά δυνατή την ενοποίηση πληροφοριών από διαφορετικές μορφές δεδομένων σε έναν κοινό, εναρμονισμένο χώρο χαρακτηριστικών, επιτρέποντας αξιόπιστη και συγκρίσιμη ανάλυση.<br /> Πείραμα και Συζήτηση<br /> <br /> '''4.1. Σύνολα Δεδομένων'''<br /> <br /> Η αποτελεσματικότητα της προτεινόμενης προσέγγισης αξιολογείται χρησιμοποιώντας τρία σύνολα δημοσίως διαθέσιμων πολυμορφικών εικόνων δύο χρονικών στιγμών.<br /> 1. Δεδομένα από το Onera Satellite Change Detection (OSCD):<br /> o Μορφή 1 (Modality 1): Εικόνες από τον αισθητήρα Sentinel-2, που περιλαμβάνουν τέσσερα φασματικά στοιχεία (κόκκινο, πράσινο, μπλε και υπέρυθρο), με ανάλυση 10 μέτρων.<br /> o Μορφή 2 (Modality 2): Εικόνες SAR από τον αισθητήρα Sentinel-1, προερχόμενες από επεκτάσεις του OSCD.<br /> Οι εικόνες συλλέγονται από τρεις πόλεις:<br /> • Μουμπάι (Mumbai): 858 × 557 πίξελ.<br /> • Χονγκ Κονγκ (Hong Kong): 695 × 540 πίξελ.<br /> • Saclay: 688 × 639 πίξελ.<br /> Αυτές οι εικόνες καλύπτουν τρεις διαφορετικές μορφές:<br /> 1. Πολυφασματικές εικόνες (multispectral: κόκκινο, πράσινο, μπλε και υπέρυθρο).<br /> 2. Ορατές εικόνες (visible: κόκκινο, πράσινο, μπλε).<br /> 3. Εικόνες SAR.<br /> Η Εικόνα 2 παρουσιάζει τις εικόνες από δύο μορφές (ορατές και SAR) για τα παραπάνω σύνολα δεδομένων, καθώς και τους αντίστοιχους χάρτες αναφοράς αλλαγών.<br /> <br /> [[Αρχείο:1.2.png]]<br /> <br /> Πολυμορφικά ζεύγη εικόνων δύο χρονικών στιγμών και χάρτες αλλαγών.<br /> <br /> 2. Πρόσθετα Σύνολα Δεδομένων:<br /> o River dataset:<br /> Περιλαμβάνει μια εικόνα SAR από τον αισθητήρα Radarsat-2 (εικόνα πριν την αλλαγή) και μια πανχρωματική εικόνα από τον Landsat-7 (εικόνα μετά την αλλαγή), και οι δύο με επεξεργασμένες διαστάσεις 343 × 291 πίξελ.<br /> Η κύρια ανιχνευθείσα αλλαγή είναι η διάβρωση των όχθεων ποταμών.<br /> o Shuguang dataset:<br /> Περιλαμβάνει μια εικόνα SAR πριν την αλλαγή (2008) και μια οπτική εικόνα μετά την αλλαγή (2012), και οι δύο προτυποποιημένες σε διαστάσεις 593 × 921 πίξελ.<br /> Η κύρια αλλαγή αφορά την κατασκευή κτιρίων σε πρώην γεωργικές εκτάσεις.<br /> <br /> '''Σκοπός Χρήσης των Δεδομένων'''<br /> <br /> Αυτά τα δεδομένα εμπλουτίζουν το πεδίο της μελέτης με διάφορα σενάρια αλλαγών και μορφές δεδομένων, παρέχοντας μια ολοκληρωμένη βάση για την αξιολόγηση της αποτελεσματικότητας των μεθόδων ανίχνευσης αλλαγών (MCD).<br /> Σύγκριση Μέθοδοι<br /> Για να επαληθευτεί η απόδοση της προτεινόμενης προσέγγισης, συγκρίθηκαν έξι υπάρχουσες μέθοδοι μη εποπτευόμενης ανίχνευσης αλλαγών (CD) από τη βιβλιογραφία, καθώς και δύο αυτοεποπτευόμενες μέθοδοι. Οι μέθοδοι είναι οι εξής:<br /> 1. Ανάλυση Διανύσματος Αλλαγής (Change Vector Analysis - CVA):<br /> o Κλασική μη εποπτευόμενη μέθοδος ανίχνευσης αλλαγών.<br /> 2. Βαθιά Ανάλυση Διανύσματος Αλλαγής (Deep Change Vector Analysis - DCVA):<br /> o Ένα προεκπαιδευμένο συνελικτικό νευρωνικό δίκτυο εξάγει υπερδιανύσματα χαρακτηριστικών πολλαπλών χρονικών στιγμών, τα οποία αναλύονται για τη δημιουργία δυαδικού χάρτη αλλαγών.<br /> 3. Γραφήματα Βασισμένα σε Μη Τοπική Ομοιότητα Μοτίβων (Nonlocal Patch Similarity-Based Graph - NPSG):<br /> o Χρησιμοποιείται ένα μέτρο ομοιότητας για την κατασκευή γραφήματος για κάθε μοτίβο (patch), ενώ το αποτέλεσμα συγκρίνει τις δομές των γραφημάτων για την ανίχνευση αλλαγών.<br /> 4. Βελτιωμένο Γράφημα Μη Τοπικής Βάσης (Improved Nonlocal Patch-Based Graph - INLPG):<br /> o Βασίζεται στη δομική συνοχή για τη σύγκριση των δομών των εικόνων δύο χρονικών στιγμών και την ανίχνευση περιοχών αλλαγών.<br /> 5. Ιτερική Σταθερή Αναπαράσταση και Σημασιολογική Συντμημένη Συνεπιμέτρηση (Iterative Robust Graph and Markovian Co-Segmentation - IRGMcS):<br /> o Χρησιμοποιείται γράφημα K-πλησιέστερων γειτόνων για την αναπαράσταση των δομών των εικόνων και οι χάρτες αλλαγών δημιουργούνται μέσω Μαρκοβιανής τμηματοποίησης.<br /> 6. Γράφημα Βασισμένο σε Σχέσεις Ομοιότητας και Διαφορετικότητας (Similarity and Dissimilarity Relationships-Based Graph - SDIR):<br /> o Χρησιμοποιεί σχέσεις διαφορετικότητας ως συμπληρωματική προσέγγιση στις σχέσεις ομοιότητας για την κατασκευή γραφήματος δομής.<br /> 7. Αυτοεποπτευόμενη Ανίχνευση Αλλαγών Πολλαπλών Αισθητήρων (Self-Supervised Multisensor Change Detection - SMCD):<br /> o Ένα αυτοεποπτευόμενο δίκτυο χρησιμοποιεί βαθιά ομαδοποίηση και μάθηση αντίθεσης για την εξαγωγή χαρακτηριστικών και σύγκριση των χαρτών αλλαγών. Θεωρείται η κορυφαία μέθοδος (State-of-the-Art - SOTA) για τα σύνολα δεδομένων που εξετάζονται.<br /> 8. Αυτοεποπτευόμενη Ανίχνευση Αλλαγών Με Καθοδήγηση από Υπερπίξελ (Superpixel-Guided Self-Supervised Change Detection - S3CD):<br /> o Μη εποπτευόμενο δίκτυο που βασίζεται στην αυτοεποπτευόμενη μάθηση με καθοδήγηση από υπερπίξελ. Αντιμετωπίζει την έλλειψη δεδομένων εκπαίδευσης, δημιουργώντας υψηλής ποιότητας εικόνες διαφορών μέσω ανάλυσης χαρακτηριστικών σε πολλαπλές κλίμακες.<br /> <br /> Οι παραπάνω μέθοδοι συγκρίνονται για να αξιολογηθεί η αποτελεσματικότητα της προτεινόμενης προσέγγισης στα πολυμορφικά δεδομένα δύο χρονικών στιγμών.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Αυτό το άρθρο παρουσίασε έναν νέο αλγόριθμο αυτοεποπτευόμενης ανίχνευσης αλλαγών (MCD), εξοπλισμένο με μια προτεινόμενη μονάδα ενοποιημένης χαρτογράφησης (Unified Mapping Unit - UMU) για την αντιμετώπιση των προκλήσεων που υπάρχουν στην ανίχνευση αλλαγών σε πολυμορφικές εικόνες τηλεπισκόπησης. Ο προτεινόμενος αλγόριθμος Self-DCF επιλύει αποτελεσματικά το ζήτημα της έλλειψης επισημασμένων δεδομένων στα καθήκοντα MCD, αξιοποιώντας ένα πλαίσιο αυτοεποπτευόμενης μάθησης που δεν απαιτεί ετικέτες. Επιπλέον, η UMU ενσωματώνεται για να μειώσει το χάσμα των πεδίων εικόνας μεταξύ των πολυμορφικών εικόνων δύο χρονικών στιγμών, επιτρέποντας ταυτόχρονη σύγκριση και επίβλεψη με πληροφορίες από διαφορετικές πηγές δεδομένων.<br /> Η αποτελεσματικότητα της προτεινόμενης προσέγγισης έχει επικυρωθεί σε πέντε δημοφιλή και απαιτητικά σύνολα δεδομένων, με πειραματικά αποτελέσματα, τόσο ποσοτικά όσο και ποιοτικά, να καταδεικνύουν το δυναμικό της. Οι συγκριτικές μελέτες δείχνουν ότι το Self-DCF προσφέρει ισορροπημένη απόδοση και υπεροχή σε σχέση με τις προηγμένες μη εποπτευόμενες και αυτοεποπτευόμενες μεθόδους ανίχνευσης αλλαγών για ετερογενείς εικόνες.<br /> <br /> <br /> [[category:Χαρτογραφία]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CF%8E%CE%BD_%CE%BC%CE%BF%CF%81%CF%86%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_%CE%B1%CF%85%CF%84%CE%BF%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%B7%CF%82_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%CF%82_%CE%B1%CE%BD%CF%84%CE%AF%CE%B8%CE%B5%CF%83%CE%B7%CF%82_%CE%B4%CE%B9%CE%B1%CF%86%CE%BF%CF%81%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2025-01-15T12:09:55Z

<p>Dimitris Delipetros: </p> <hr /> <div>''Πρωτότυπος τίτλος: Self-supervised multimodal change detection basedondifferencecontrast learning for remote sensingimagery<br /> <br /> Συγγραφείς: Xuan Houa, Yunpeng Baib, Yefan Xiea, Yunfeng Zhangc, Lei Fua, Ying Lia, Changjing Shang, Qiang Shen<br /> <br /> Πηγή: School of Computer Science, National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology, Shaanxi Provincial Key Laboratory of Speech &amp; Image Information Processing, Northwestern Polytechnical University, Xi’an, 710129, China Department of Computer Science, Aberystwyth University, Aberystwyth, SY23 3DB, UK Shaanxi Satellite Application Center for Natural Resources, Xi’an, 710065, China School of Software, Northwestern Polytechnical University, Xi’an, 710129, China<br /> <br /> Λέξεις κλειδιά: Self-supervised learning, Change detection, Multimodal image, Remote sensing<br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.patcog.2024.111148''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η ανίχνευση αλλαγών (Change Detection - CD) είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό αλλαγών στην επιφάνεια της γης, προσδιορίζοντας περιοχές αλλαγών μέσω διάκρισης και ταξινόμησης εικόνων δύο χρονικών στιγμών, πίξελ προς πίξελ. Ο στόχος αυτής της έρευνας είναι να εντοπίσει περιοχές ενδιαφέροντος όπου έχουν συμβεί αλλαγές με την πάροδο του χρόνου, ενώ παράλληλα να φιλτράρει πληροφορίες ψευδο-αλλαγών (που οφείλονται σε παράγοντες όπως ο φωτισμός και η εποχικότητα). Η ανίχνευση αλλαγών στις εικόνες τηλεπισκόπησης έχει σημαντική πρακτική αξία, καθώς παρέχει καθοδήγηση για:<br /> • Ανοικοδόμηση μετά από καταστροφές.<br /> • Υποστήριξη της αστικής ανάπτυξης.<br /> • Διατήρηση δασών και προστασία του περιβάλλοντος.<br /> <br /> '''Προκλήσεις και Τεχνολογίες'''<br /> Για την κάλυψη των αναγκών παρακολούθησης της επιφάνειας της γης, έχουν αναπτυχθεί προηγμένοι αισθητήρες που παράγουν εικόνες με διαφορετικά χαρακτηριστικά:<br /> 1. Οπτικές εικόνες: Πλούσιες σε χαρακτηριστικά, αλλά ευάλωτες σε καιρικές συνθήκες.<br /> 2. Εικόνες SAR (Synthetic Aperture Radar): Με καλή διείσδυση και ανθεκτικότητα στον καιρό, αλλά περιορισμένες σε μονοζωνικά δεδομένα και χαμηλότερη ανάλυση.<br /> Οι διαφορές αυτές απαιτούν εξελιγμένες μεθόδους για τη μελέτη διαφορετικών κατηγοριών εικόνων. Στα τρέχοντα αλγόριθμα CD, τα δεδομένα θεωρούνται συχνά ομοιογενή, δηλαδή ότι προέρχονται από τον ίδιο αισθητήρα. Ωστόσο, στην πράξη (π.χ., αξιολογήσεις καταστροφών), οι εικόνες συχνά προέρχονται από διαφορετικούς αισθητήρες, ενισχύοντας την ανάγκη για τεχνολογίες ανίχνευσης αλλαγών σε πολυμορφικά δεδομένα.<br /> Self-DCF<br /> Για την αντιμετώπιση αυτών των προβλημάτων, το άρθρο προτείνει έναν νέο αλγόριθμο Multimodal Change Detection (MCD) με αυτοεποπτευόμενη μάθηση και μια μονάδα Unified Mapping Unit (UMU):<br /> • Χαρακτηριστικά:<br /> o Ανάγκη για μη επισημασμένα δεδομένα.<br /> o Μείωση θορύβου και εξαγωγή χαρακτηριστικών από εικόνες διαφορετικών αισθητήρων.<br /> • Αρχιτεκτονική:<br /> o Εισαγωγή του Dynamic Large Kernel (DLK) για αποδοτική εκμάθηση σε πολλαπλές κλίμακες.<br /> o Ενοποίηση χαρακτηριστικών μέσω της UMU για τη μείωση του χάσματος μεταξύ δεδομένων.<br /> <br /> '''Μέθοδος'''<br /> <br /> Αυτή η ενότητα περιγράφει το συνολικό πλαίσιο αυτοεποπτευόμενης μάθησης της προτεινόμενης μεθόδου, παρουσιάζοντας τα δίκτυα εξαγωγής χαρακτηριστικών που χρησιμοποιούνται για διαφορετικές μορφές δεδομένων, καθώς και τη μονάδα ενοποιημένης χαρτογράφησης (Unified Mapping Unit - UMU) και τη συνάρτηση απωλειών που εφαρμόζεται για την εκπαίδευση του δικτύου.<br /> Επισκόπηση<br /> Η ανίχνευση αλλαγών (Change Detection - CD) για εικόνες τηλεπισκόπησης περιλαμβάνει ταξινόμηση σε επίπεδο πίξελ, όπου το ζητούμενο είναι να προσδιοριστεί αν κάθε πίξελ έχει υποστεί κάποια αλλαγή. Παραδοσιακά, η ανίχνευση απαιτεί λεπτομερή επισήμανση πίξελ από ειδικούς. Επιπλέον, δεδομένου ότι οι εικόνες σε ένα πολυμορφικό έργο CD προέρχονται από διαφορετικούς αισθητήρες (όπως SAR και οπτικές εικόνες), συχνά χρειάζονται συνεργασία ειδικών από διαφορετικούς τομείς, κάτι που οδηγεί σε έλλειψη συνεπών συνόλων δεδομένων και μειωμένη απόδοση των μεθόδων βαθιάς μάθησης.<br /> Η παρούσα εργασία στοχεύει να χρησιμοποιήσει αυτοεποπτευόμενη μάθηση για την ανίχνευση αλλαγών που συμβαίνουν στην επιφάνεια του εδάφους από πολυμορφικές εικόνες πριν και μετά την αλλαγή.<br /> <br /> '''Πλαίσιο Self-DCF'''<br /> <br /> Το προτεινόμενο πλαίσιο Self-DCF (Self-supervised Difference Contrast Framework) κατασκευάστηκε για:<br /> 1. Την εξαγωγή αποτελεσματικών χαρακτηριστικών από τις εικόνες.<br /> 2. Την ανάλυση και τον διαχωρισμό των χαρακτηριστικών αυτών για τη δημιουργία χαρτών αλλαγών.<br /> Δεδομένα εισόδου<br /> Οι είσοδοι του Self-DCF περιλαμβάνουν:<br /> • Εικόνα πριν την αλλαγή (𝐼𝑀1).<br /> • Εικόνα μετά την αλλαγή (𝐼𝑀2).<br /> • Συνδυασμένη εικόνα (𝐼𝑐𝑜𝑛): Ορίζεται ως η στοίβα των 𝐼𝑀1 και 𝐼𝑀2 κατά τη διάσταση καναλιού.<br /> • Μεταφρασμένη εικόνα (𝐼𝑇𝑀1): Παράγεται μέσω μετάφρασης δεδομένων από την 𝐼𝑀1 ώστε να προσομοιάζει το είδος των δεδομένων της 𝐼𝑀2.<br /> Η 𝐼𝑇𝑀1 δεν είναι πραγματική εικόνα τηλεπισκόπησης, αλλά προσομοιωμένα δεδομένα που προκύπτουν από την 𝐼𝑀1. Η μετάφραση βασίζεται σε προεκπαιδευμένα μοντέλα με συνδυασμένα δεδομένα SAR και οπτικών εικόνων, τα οποία ελαχιστοποιούν το χάσμα μεταξύ μορφών δεδομένων (domain gap). Παρόλο που αυτή η διαδικασία μπορεί να εισάγει θόρυβο, ενισχύει τη σταθερότητα του Self-DCF.<br /> <br /> '''Διαδικασία Self-DCF'''<br /> <br /> Το Self-DCF χωρίζεται σε τρία μέρη:<br /> 1. Δίκτυο εκπαίδευσης (Deep trainable network):<br /> o Περιλαμβάνει ένα πολυμορφικό δίκτυο εξαγωγής χαρακτηριστικών (poly feature extraction network) και τη μονάδα ενοποίησης (UMU).<br /> o Εξάγει χαρακτηριστικά από τις τέσσερις εισαγωγές δεδομένων και χαρτογραφεί τα χαρακτηριστικά στον ίδιο χώρο υψηλής διάστασης, μειώνοντας το χάσμα μεταξύ των μορφών εικόνων.<br /> 2. Φάση εκπαίδευσης (Training phase):<br /> o Χρησιμοποιείται η συνάρτηση απώλειας cross entropy για τη διατήρηση της πληροφορίας των ζευγών εικόνων και η συνάρτηση απώλειας contrastive για την επίβλεψη του μοντέλου.<br /> 3. Φάση συμπερασμάτων (Inference phase):<br /> o Χρησιμοποιείται μια μέθοδος κατωφλίωσης (thresholding) για τη δημιουργία του χάρτη αλλαγών μέσω ανάλυσης των χαρακτηριστικών που εξήχθησαν από το εκπαιδευμένο δίκτυο.<br /> <br /> [[Αρχείο:1.1.png]]<br /> <br /> Αρχιτεκτονική του Self-DCF (α) Δίκτυο με δυνατότητα εκπαίδευσης, (β) Φάση εκπαίδευσης και (γ) Φάση συμπερασμάτων. Η λεπτομέρεια της Μονάδας Ενοποιημένης Χαρτογράφησης (Unified Mapping Unit - UMU).<br /> <br /> '''Πολυμορφικό Δίκτυο Εξαγωγής Χαρακτηριστικών'''<br /> <br /> Τα Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks - CNN) έχουν την ικανότητα να αποτυπώνουν αυξημένα επίπεδα αφαίρεσης και πολυπλοκότητας στις ιεραρχίες χαρακτηριστικών, μαθαίνοντας ισχυρά και αντιπροσωπευτικά χαρακτηριστικά.<br /> Ένα πολυκλαδικό πλαίσιο μάθησης, βασισμένο στα CNN, σχεδιάστηκε για να μαθαίνει διακριτά χαρακτηριστικά από εικόνες. Αυτό το πλαίσιο περιλαμβάνει:<br /> • Δίκτυο ψευδο-triplet με δύο κλάδους για την εκμάθηση πλούσιας πληροφορίας εικόνας από ζεύγη εικόνων δύο χρονικών στιγμών.<br /> • Ένα ακόμα δίκτυο με έναν κλάδο για την εκμάθηση της πληροφορίας διαφορών μεταξύ πολυμορφικών ζευγών εικόνων δύο χρονικών στιγμών.<br /> Αυτό το σύστημα επιτρέπει την αποτελεσματική εξαγωγή διακριτών χαρακτηριστικών τόσο από ομοιογενείς όσο και από ετερογενείς εικόνες τηλεπισκόπησης.<br /> Ενοποιημένη Μονάδα Χαρτογράφησης (Unified Mapping Unit - UMU)<br /> Η χαρτογράφηση πολυμορφικών εικόνων δύο χρονικών στιγμών σε συγκρίσιμους χώρους χαρακτηριστικών παραμένει μια σημαντική πρόκληση για την ανίχνευση αλλαγών (Change Detection - CD) σε εικόνες τηλεπισκόπησης. Αυτό οφείλεται στο μεγάλο χάσμα πεδίων εικόνας (domain gap) που συνήθως υπάρχει μεταξύ εικόνων από διαφορετικές μορφές δεδομένων.<br /> Για την αντιμετώπιση αυτού του προβλήματος, σχεδιάστηκε μια Ενοποιημένη Μονάδα Χαρτογράφησης (Unified Mapping Unit - UMU) για να προβάλλει τέσσερα ξεχωριστά χαρακτηριστικά, 𝑭𝑀1, 𝑭𝑇𝑀1, 𝑭𝑀2 και 𝑭𝑑, που προέρχονται από το πολυμορφικό δίκτυο εξαγωγής χαρακτηριστικών, σε έναν κοινό χώρο διαστάσεων.<br /> <br /> Λειτουργία της UMU<br /> 1. Ανεξάρτητη Επεξεργασία Εισόδων:<br /> o Η UMU αρχικά διαχειρίζεται τις εισόδους από κάθε μορφή δεδομένων ανεξάρτητα, επεξεργαζόμενη τα χαρακτηριστικά από κάθε κλάδο ξεχωριστά.<br /> o Στόχος είναι η ενοποίηση διαφορετικών χώρων χαρακτηριστικών, ώστε τα χαρακτηριστικά 𝑭′𝑀1, 𝑭𝑇′𝑀1, 𝑭′𝑀2 και 𝑭′𝑑 να είναι συγκρίσιμα.<br /> 2. Αρχιτεκτονική Transformer:<br /> o Ενσωματώνει μια αρχιτεκτονική transformer για να καταγράψει πληροφορίες πλαισίου (context) από τους χάρτες χαρακτηριστικών.<br /> o Χαρτογραφεί διαφορετικούς χάρτες χαρακτηριστικών στον ίδιο χώρο από μια παγκόσμια οπτική.<br /> Δομή της UMU<br /> Η UMU αποτελείται από δύο μέρη:<br /> 1. Κωδικοποιητής tokens (Token Encoder):<br /> o Μετασχηματίζει τα εισερχόμενα χαρακτηριστικά σε σειριακά tokens.<br /> o Αυξάνει τη διασύνδεση μεταξύ χαρακτηριστικών, δημιουργώντας το υπόβαθρο για την ενοποίησή τους σε έναν ομοιογενή χώρο.<br /> 2. Αποκωδικοποιητής tokens (Token Decoder):<br /> o Ραφινάρει τα tokens και τα χαρτογραφεί σε έναν συνεκτικό χώρο χαρακτηριστικών, εφαρμόζοντας έναν μηχανισμό διασταυρούμενης προσοχής (cross-attention).<br /> o Εξασφαλίζει τη χωρική συνέπεια και συγκρισιμότητα των χαρακτηριστικών που προέρχονται από διαφορετικές μορφές δεδομένων και χρονικές στιγμές.<br /> Αυτή η διαδικασία καθιστά δυνατή την ενοποίηση πληροφοριών από διαφορετικές μορφές δεδομένων σε έναν κοινό, εναρμονισμένο χώρο χαρακτηριστικών, επιτρέποντας αξιόπιστη και συγκρίσιμη ανάλυση.<br /> Πείραμα και Συζήτηση<br /> <br /> '''4.1. Σύνολα Δεδομένων'''<br /> <br /> Η αποτελεσματικότητα της προτεινόμενης προσέγγισης αξιολογείται χρησιμοποιώντας τρία σύνολα δημοσίως διαθέσιμων πολυμορφικών εικόνων δύο χρονικών στιγμών.<br /> 1. Δεδομένα από το Onera Satellite Change Detection (OSCD):<br /> o Μορφή 1 (Modality 1): Εικόνες από τον αισθητήρα Sentinel-2, που περιλαμβάνουν τέσσερα φασματικά στοιχεία (κόκκινο, πράσινο, μπλε και υπέρυθρο), με ανάλυση 10 μέτρων.<br /> o Μορφή 2 (Modality 2): Εικόνες SAR από τον αισθητήρα Sentinel-1, προερχόμενες από επεκτάσεις του OSCD.<br /> Οι εικόνες συλλέγονται από τρεις πόλεις:<br /> • Μουμπάι (Mumbai): 858 × 557 πίξελ.<br /> • Χονγκ Κονγκ (Hong Kong): 695 × 540 πίξελ.<br /> • Saclay: 688 × 639 πίξελ.<br /> Αυτές οι εικόνες καλύπτουν τρεις διαφορετικές μορφές:<br /> 1. Πολυφασματικές εικόνες (multispectral: κόκκινο, πράσινο, μπλε και υπέρυθρο).<br /> 2. Ορατές εικόνες (visible: κόκκινο, πράσινο, μπλε).<br /> 3. Εικόνες SAR.<br /> Η Εικόνα 2 παρουσιάζει τις εικόνες από δύο μορφές (ορατές και SAR) για τα παραπάνω σύνολα δεδομένων, καθώς και τους αντίστοιχους χάρτες αναφοράς αλλαγών.<br /> <br /> [[Αρχείο:1.2.png]]<br /> <br /> Πολυμορφικά ζεύγη εικόνων δύο χρονικών στιγμών και χάρτες αλλαγών.<br /> <br /> 2. Πρόσθετα Σύνολα Δεδομένων:<br /> o River dataset:<br /> Περιλαμβάνει μια εικόνα SAR από τον αισθητήρα Radarsat-2 (εικόνα πριν την αλλαγή) και μια πανχρωματική εικόνα από τον Landsat-7 (εικόνα μετά την αλλαγή), και οι δύο με επεξεργασμένες διαστάσεις 343 × 291 πίξελ.<br /> Η κύρια ανιχνευθείσα αλλαγή είναι η διάβρωση των όχθεων ποταμών.<br /> o Shuguang dataset:<br /> Περιλαμβάνει μια εικόνα SAR πριν την αλλαγή (2008) και μια οπτική εικόνα μετά την αλλαγή (2012), και οι δύο προτυποποιημένες σε διαστάσεις 593 × 921 πίξελ.<br /> Η κύρια αλλαγή αφορά την κατασκευή κτιρίων σε πρώην γεωργικές εκτάσεις.<br /> <br /> '''Σκοπός Χρήσης των Δεδομένων'''<br /> <br /> Αυτά τα δεδομένα εμπλουτίζουν το πεδίο της μελέτης με διάφορα σενάρια αλλαγών και μορφές δεδομένων, παρέχοντας μια ολοκληρωμένη βάση για την αξιολόγηση της αποτελεσματικότητας των μεθόδων ανίχνευσης αλλαγών (MCD).<br /> Σύγκριση Μέθοδοι<br /> Για να επαληθευτεί η απόδοση της προτεινόμενης προσέγγισης, συγκρίθηκαν έξι υπάρχουσες μέθοδοι μη εποπτευόμενης ανίχνευσης αλλαγών (CD) από τη βιβλιογραφία, καθώς και δύο αυτοεποπτευόμενες μέθοδοι. Οι μέθοδοι είναι οι εξής:<br /> 1. Ανάλυση Διανύσματος Αλλαγής (Change Vector Analysis - CVA):<br /> o Κλασική μη εποπτευόμενη μέθοδος ανίχνευσης αλλαγών.<br /> 2. Βαθιά Ανάλυση Διανύσματος Αλλαγής (Deep Change Vector Analysis - DCVA):<br /> o Ένα προεκπαιδευμένο συνελικτικό νευρωνικό δίκτυο εξάγει υπερδιανύσματα χαρακτηριστικών πολλαπλών χρονικών στιγμών, τα οποία αναλύονται για τη δημιουργία δυαδικού χάρτη αλλαγών.<br /> 3. Γραφήματα Βασισμένα σε Μη Τοπική Ομοιότητα Μοτίβων (Nonlocal Patch Similarity-Based Graph - NPSG):<br /> o Χρησιμοποιείται ένα μέτρο ομοιότητας για την κατασκευή γραφήματος για κάθε μοτίβο (patch), ενώ το αποτέλεσμα συγκρίνει τις δομές των γραφημάτων για την ανίχνευση αλλαγών.<br /> 4. Βελτιωμένο Γράφημα Μη Τοπικής Βάσης (Improved Nonlocal Patch-Based Graph - INLPG):<br /> o Βασίζεται στη δομική συνοχή για τη σύγκριση των δομών των εικόνων δύο χρονικών στιγμών και την ανίχνευση περιοχών αλλαγών.<br /> 5. Ιτερική Σταθερή Αναπαράσταση και Σημασιολογική Συντμημένη Συνεπιμέτρηση (Iterative Robust Graph and Markovian Co-Segmentation - IRGMcS):<br /> o Χρησιμοποιείται γράφημα K-πλησιέστερων γειτόνων για την αναπαράσταση των δομών των εικόνων και οι χάρτες αλλαγών δημιουργούνται μέσω Μαρκοβιανής τμηματοποίησης.<br /> 6. Γράφημα Βασισμένο σε Σχέσεις Ομοιότητας και Διαφορετικότητας (Similarity and Dissimilarity Relationships-Based Graph - SDIR):<br /> o Χρησιμοποιεί σχέσεις διαφορετικότητας ως συμπληρωματική προσέγγιση στις σχέσεις ομοιότητας για την κατασκευή γραφήματος δομής.<br /> 7. Αυτοεποπτευόμενη Ανίχνευση Αλλαγών Πολλαπλών Αισθητήρων (Self-Supervised Multisensor Change Detection - SMCD):<br /> o Ένα αυτοεποπτευόμενο δίκτυο χρησιμοποιεί βαθιά ομαδοποίηση και μάθηση αντίθεσης για την εξαγωγή χαρακτηριστικών και σύγκριση των χαρτών αλλαγών. Θεωρείται η κορυφαία μέθοδος (State-of-the-Art - SOTA) για τα σύνολα δεδομένων που εξετάζονται.<br /> 8. Αυτοεποπτευόμενη Ανίχνευση Αλλαγών Με Καθοδήγηση από Υπερπίξελ (Superpixel-Guided Self-Supervised Change Detection - S3CD):<br /> o Μη εποπτευόμενο δίκτυο που βασίζεται στην αυτοεποπτευόμενη μάθηση με καθοδήγηση από υπερπίξελ. Αντιμετωπίζει την έλλειψη δεδομένων εκπαίδευσης, δημιουργώντας υψηλής ποιότητας εικόνες διαφορών μέσω ανάλυσης χαρακτηριστικών σε πολλαπλές κλίμακες.<br /> <br /> Οι παραπάνω μέθοδοι συγκρίνονται για να αξιολογηθεί η αποτελεσματικότητα της προτεινόμενης προσέγγισης στα πολυμορφικά δεδομένα δύο χρονικών στιγμών.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Αυτό το άρθρο παρουσίασε έναν νέο αλγόριθμο αυτοεποπτευόμενης ανίχνευσης αλλαγών (MCD), εξοπλισμένο με μια προτεινόμενη μονάδα ενοποιημένης χαρτογράφησης (Unified Mapping Unit - UMU) για την αντιμετώπιση των προκλήσεων που υπάρχουν στην ανίχνευση αλλαγών σε πολυμορφικές εικόνες τηλεπισκόπησης. Ο προτεινόμενος αλγόριθμος Self-DCF επιλύει αποτελεσματικά το ζήτημα της έλλειψης επισημασμένων δεδομένων στα καθήκοντα MCD, αξιοποιώντας ένα πλαίσιο αυτοεποπτευόμενης μάθησης που δεν απαιτεί ετικέτες. Επιπλέον, η UMU ενσωματώνεται για να μειώσει το χάσμα των πεδίων εικόνας μεταξύ των πολυμορφικών εικόνων δύο χρονικών στιγμών, επιτρέποντας ταυτόχρονη σύγκριση και επίβλεψη με πληροφορίες από διαφορετικές πηγές δεδομένων.<br /> Η αποτελεσματικότητα της προτεινόμενης προσέγγισης έχει επικυρωθεί σε πέντε δημοφιλή και απαιτητικά σύνολα δεδομένων, με πειραματικά αποτελέσματα, τόσο ποσοτικά όσο και ποιοτικά, να καταδεικνύουν το δυναμικό της. Οι συγκριτικές μελέτες δείχνουν ότι το Self-DCF προσφέρει ισορροπημένη απόδοση και υπεροχή σε σχέση με τις προηγμένες μη εποπτευόμενες και αυτοεποπτευόμενες μεθόδους ανίχνευσης αλλαγών για ετερογενείς εικόνες.<br /> <br /> <br /> [[category:Χαρτογραφία]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CF%8E%CE%BD_%CE%BC%CE%BF%CF%81%CF%86%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_%CE%B1%CF%85%CF%84%CE%BF%CE%B5%CF%80%CE%BF%CF%80%CF%84%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CE%B7%CF%82_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%CF%82_%CE%B1%CE%BD%CF%84%CE%AF%CE%B8%CE%B5%CF%83%CE%B7%CF%82_%CE%B4%CE%B9%CE%B1%CF%86%CE%BF%CF%81%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2025-01-15T12:09:38Z

<p>Dimitris Delipetros: </p> <hr /> <div>''''Πρωτότυπος τίτλος: Self-supervised multimodal change detection basedondifferencecontrast learning for remote sensingimagery<br /> <br /> Συγγραφείς: Xuan Houa, Yunpeng Baib, Yefan Xiea, Yunfeng Zhangc, Lei Fua, Ying Lia, Changjing Shang, Qiang Shen<br /> <br /> Πηγή: School of Computer Science, National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology, Shaanxi Provincial Key Laboratory of Speech &amp; Image Information Processing, Northwestern Polytechnical University, Xi’an, 710129, China Department of Computer Science, Aberystwyth University, Aberystwyth, SY23 3DB, UK Shaanxi Satellite Application Center for Natural Resources, Xi’an, 710065, China School of Software, Northwestern Polytechnical University, Xi’an, 710129, China<br /> <br /> Λέξεις κλειδιά: Self-supervised learning, Change detection, Multimodal image, Remote sensing<br /> <br /> Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.patcog.2024.111148''''<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η ανίχνευση αλλαγών (Change Detection - CD) είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό αλλαγών στην επιφάνεια της γης, προσδιορίζοντας περιοχές αλλαγών μέσω διάκρισης και ταξινόμησης εικόνων δύο χρονικών στιγμών, πίξελ προς πίξελ. Ο στόχος αυτής της έρευνας είναι να εντοπίσει περιοχές ενδιαφέροντος όπου έχουν συμβεί αλλαγές με την πάροδο του χρόνου, ενώ παράλληλα να φιλτράρει πληροφορίες ψευδο-αλλαγών (που οφείλονται σε παράγοντες όπως ο φωτισμός και η εποχικότητα). Η ανίχνευση αλλαγών στις εικόνες τηλεπισκόπησης έχει σημαντική πρακτική αξία, καθώς παρέχει καθοδήγηση για:<br /> • Ανοικοδόμηση μετά από καταστροφές.<br /> • Υποστήριξη της αστικής ανάπτυξης.<br /> • Διατήρηση δασών και προστασία του περιβάλλοντος.<br /> <br /> '''Προκλήσεις και Τεχνολογίες'''<br /> Για την κάλυψη των αναγκών παρακολούθησης της επιφάνειας της γης, έχουν αναπτυχθεί προηγμένοι αισθητήρες που παράγουν εικόνες με διαφορετικά χαρακτηριστικά:<br /> 1. Οπτικές εικόνες: Πλούσιες σε χαρακτηριστικά, αλλά ευάλωτες σε καιρικές συνθήκες.<br /> 2. Εικόνες SAR (Synthetic Aperture Radar): Με καλή διείσδυση και ανθεκτικότητα στον καιρό, αλλά περιορισμένες σε μονοζωνικά δεδομένα και χαμηλότερη ανάλυση.<br /> Οι διαφορές αυτές απαιτούν εξελιγμένες μεθόδους για τη μελέτη διαφορετικών κατηγοριών εικόνων. Στα τρέχοντα αλγόριθμα CD, τα δεδομένα θεωρούνται συχνά ομοιογενή, δηλαδή ότι προέρχονται από τον ίδιο αισθητήρα. Ωστόσο, στην πράξη (π.χ., αξιολογήσεις καταστροφών), οι εικόνες συχνά προέρχονται από διαφορετικούς αισθητήρες, ενισχύοντας την ανάγκη για τεχνολογίες ανίχνευσης αλλαγών σε πολυμορφικά δεδομένα.<br /> Self-DCF<br /> Για την αντιμετώπιση αυτών των προβλημάτων, το άρθρο προτείνει έναν νέο αλγόριθμο Multimodal Change Detection (MCD) με αυτοεποπτευόμενη μάθηση και μια μονάδα Unified Mapping Unit (UMU):<br /> • Χαρακτηριστικά:<br /> o Ανάγκη για μη επισημασμένα δεδομένα.<br /> o Μείωση θορύβου και εξαγωγή χαρακτηριστικών από εικόνες διαφορετικών αισθητήρων.<br /> • Αρχιτεκτονική:<br /> o Εισαγωγή του Dynamic Large Kernel (DLK) για αποδοτική εκμάθηση σε πολλαπλές κλίμακες.<br /> o Ενοποίηση χαρακτηριστικών μέσω της UMU για τη μείωση του χάσματος μεταξύ δεδομένων.<br /> <br /> '''Μέθοδος'''<br /> <br /> Αυτή η ενότητα περιγράφει το συνολικό πλαίσιο αυτοεποπτευόμενης μάθησης της προτεινόμενης μεθόδου, παρουσιάζοντας τα δίκτυα εξαγωγής χαρακτηριστικών που χρησιμοποιούνται για διαφορετικές μορφές δεδομένων, καθώς και τη μονάδα ενοποιημένης χαρτογράφησης (Unified Mapping Unit - UMU) και τη συνάρτηση απωλειών που εφαρμόζεται για την εκπαίδευση του δικτύου.<br /> Επισκόπηση<br /> Η ανίχνευση αλλαγών (Change Detection - CD) για εικόνες τηλεπισκόπησης περιλαμβάνει ταξινόμηση σε επίπεδο πίξελ, όπου το ζητούμενο είναι να προσδιοριστεί αν κάθε πίξελ έχει υποστεί κάποια αλλαγή. Παραδοσιακά, η ανίχνευση απαιτεί λεπτομερή επισήμανση πίξελ από ειδικούς. Επιπλέον, δεδομένου ότι οι εικόνες σε ένα πολυμορφικό έργο CD προέρχονται από διαφορετικούς αισθητήρες (όπως SAR και οπτικές εικόνες), συχνά χρειάζονται συνεργασία ειδικών από διαφορετικούς τομείς, κάτι που οδηγεί σε έλλειψη συνεπών συνόλων δεδομένων και μειωμένη απόδοση των μεθόδων βαθιάς μάθησης.<br /> Η παρούσα εργασία στοχεύει να χρησιμοποιήσει αυτοεποπτευόμενη μάθηση για την ανίχνευση αλλαγών που συμβαίνουν στην επιφάνεια του εδάφους από πολυμορφικές εικόνες πριν και μετά την αλλαγή.<br /> <br /> '''Πλαίσιο Self-DCF'''<br /> <br /> Το προτεινόμενο πλαίσιο Self-DCF (Self-supervised Difference Contrast Framework) κατασκευάστηκε για:<br /> 1. Την εξαγωγή αποτελεσματικών χαρακτηριστικών από τις εικόνες.<br /> 2. Την ανάλυση και τον διαχωρισμό των χαρακτηριστικών αυτών για τη δημιουργία χαρτών αλλαγών.<br /> Δεδομένα εισόδου<br /> Οι είσοδοι του Self-DCF περιλαμβάνουν:<br /> • Εικόνα πριν την αλλαγή (𝐼𝑀1).<br /> • Εικόνα μετά την αλλαγή (𝐼𝑀2).<br /> • Συνδυασμένη εικόνα (𝐼𝑐𝑜𝑛): Ορίζεται ως η στοίβα των 𝐼𝑀1 και 𝐼𝑀2 κατά τη διάσταση καναλιού.<br /> • Μεταφρασμένη εικόνα (𝐼𝑇𝑀1): Παράγεται μέσω μετάφρασης δεδομένων από την 𝐼𝑀1 ώστε να προσομοιάζει το είδος των δεδομένων της 𝐼𝑀2.<br /> Η 𝐼𝑇𝑀1 δεν είναι πραγματική εικόνα τηλεπισκόπησης, αλλά προσομοιωμένα δεδομένα που προκύπτουν από την 𝐼𝑀1. Η μετάφραση βασίζεται σε προεκπαιδευμένα μοντέλα με συνδυασμένα δεδομένα SAR και οπτικών εικόνων, τα οποία ελαχιστοποιούν το χάσμα μεταξύ μορφών δεδομένων (domain gap). Παρόλο που αυτή η διαδικασία μπορεί να εισάγει θόρυβο, ενισχύει τη σταθερότητα του Self-DCF.<br /> <br /> '''Διαδικασία Self-DCF'''<br /> <br /> Το Self-DCF χωρίζεται σε τρία μέρη:<br /> 1. Δίκτυο εκπαίδευσης (Deep trainable network):<br /> o Περιλαμβάνει ένα πολυμορφικό δίκτυο εξαγωγής χαρακτηριστικών (poly feature extraction network) και τη μονάδα ενοποίησης (UMU).<br /> o Εξάγει χαρακτηριστικά από τις τέσσερις εισαγωγές δεδομένων και χαρτογραφεί τα χαρακτηριστικά στον ίδιο χώρο υψηλής διάστασης, μειώνοντας το χάσμα μεταξύ των μορφών εικόνων.<br /> 2. Φάση εκπαίδευσης (Training phase):<br /> o Χρησιμοποιείται η συνάρτηση απώλειας cross entropy για τη διατήρηση της πληροφορίας των ζευγών εικόνων και η συνάρτηση απώλειας contrastive για την επίβλεψη του μοντέλου.<br /> 3. Φάση συμπερασμάτων (Inference phase):<br /> o Χρησιμοποιείται μια μέθοδος κατωφλίωσης (thresholding) για τη δημιουργία του χάρτη αλλαγών μέσω ανάλυσης των χαρακτηριστικών που εξήχθησαν από το εκπαιδευμένο δίκτυο.<br /> <br /> [[Αρχείο:1.1.png]]<br /> <br /> Αρχιτεκτονική του Self-DCF (α) Δίκτυο με δυνατότητα εκπαίδευσης, (β) Φάση εκπαίδευσης και (γ) Φάση συμπερασμάτων. Η λεπτομέρεια της Μονάδας Ενοποιημένης Χαρτογράφησης (Unified Mapping Unit - UMU).<br /> <br /> '''Πολυμορφικό Δίκτυο Εξαγωγής Χαρακτηριστικών'''<br /> <br /> Τα Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks - CNN) έχουν την ικανότητα να αποτυπώνουν αυξημένα επίπεδα αφαίρεσης και πολυπλοκότητας στις ιεραρχίες χαρακτηριστικών, μαθαίνοντας ισχυρά και αντιπροσωπευτικά χαρακτηριστικά.<br /> Ένα πολυκλαδικό πλαίσιο μάθησης, βασισμένο στα CNN, σχεδιάστηκε για να μαθαίνει διακριτά χαρακτηριστικά από εικόνες. Αυτό το πλαίσιο περιλαμβάνει:<br /> • Δίκτυο ψευδο-triplet με δύο κλάδους για την εκμάθηση πλούσιας πληροφορίας εικόνας από ζεύγη εικόνων δύο χρονικών στιγμών.<br /> • Ένα ακόμα δίκτυο με έναν κλάδο για την εκμάθηση της πληροφορίας διαφορών μεταξύ πολυμορφικών ζευγών εικόνων δύο χρονικών στιγμών.<br /> Αυτό το σύστημα επιτρέπει την αποτελεσματική εξαγωγή διακριτών χαρακτηριστικών τόσο από ομοιογενείς όσο και από ετερογενείς εικόνες τηλεπισκόπησης.<br /> Ενοποιημένη Μονάδα Χαρτογράφησης (Unified Mapping Unit - UMU)<br /> Η χαρτογράφηση πολυμορφικών εικόνων δύο χρονικών στιγμών σε συγκρίσιμους χώρους χαρακτηριστικών παραμένει μια σημαντική πρόκληση για την ανίχνευση αλλαγών (Change Detection - CD) σε εικόνες τηλεπισκόπησης. Αυτό οφείλεται στο μεγάλο χάσμα πεδίων εικόνας (domain gap) που συνήθως υπάρχει μεταξύ εικόνων από διαφορετικές μορφές δεδομένων.<br /> Για την αντιμετώπιση αυτού του προβλήματος, σχεδιάστηκε μια Ενοποιημένη Μονάδα Χαρτογράφησης (Unified Mapping Unit - UMU) για να προβάλλει τέσσερα ξεχωριστά χαρακτηριστικά, 𝑭𝑀1, 𝑭𝑇𝑀1, 𝑭𝑀2 και 𝑭𝑑, που προέρχονται από το πολυμορφικό δίκτυο εξαγωγής χαρακτηριστικών, σε έναν κοινό χώρο διαστάσεων.<br /> <br /> Λειτουργία της UMU<br /> 1. Ανεξάρτητη Επεξεργασία Εισόδων:<br /> o Η UMU αρχικά διαχειρίζεται τις εισόδους από κάθε μορφή δεδομένων ανεξάρτητα, επεξεργαζόμενη τα χαρακτηριστικά από κάθε κλάδο ξεχωριστά.<br /> o Στόχος είναι η ενοποίηση διαφορετικών χώρων χαρακτηριστικών, ώστε τα χαρακτηριστικά 𝑭′𝑀1, 𝑭𝑇′𝑀1, 𝑭′𝑀2 και 𝑭′𝑑 να είναι συγκρίσιμα.<br /> 2. Αρχιτεκτονική Transformer:<br /> o Ενσωματώνει μια αρχιτεκτονική transformer για να καταγράψει πληροφορίες πλαισίου (context) από τους χάρτες χαρακτηριστικών.<br /> o Χαρτογραφεί διαφορετικούς χάρτες χαρακτηριστικών στον ίδιο χώρο από μια παγκόσμια οπτική.<br /> Δομή της UMU<br /> Η UMU αποτελείται από δύο μέρη:<br /> 1. Κωδικοποιητής tokens (Token Encoder):<br /> o Μετασχηματίζει τα εισερχόμενα χαρακτηριστικά σε σειριακά tokens.<br /> o Αυξάνει τη διασύνδεση μεταξύ χαρακτηριστικών, δημιουργώντας το υπόβαθρο για την ενοποίησή τους σε έναν ομοιογενή χώρο.<br /> 2. Αποκωδικοποιητής tokens (Token Decoder):<br /> o Ραφινάρει τα tokens και τα χαρτογραφεί σε έναν συνεκτικό χώρο χαρακτηριστικών, εφαρμόζοντας έναν μηχανισμό διασταυρούμενης προσοχής (cross-attention).<br /> o Εξασφαλίζει τη χωρική συνέπεια και συγκρισιμότητα των χαρακτηριστικών που προέρχονται από διαφορετικές μορφές δεδομένων και χρονικές στιγμές.<br /> Αυτή η διαδικασία καθιστά δυνατή την ενοποίηση πληροφοριών από διαφορετικές μορφές δεδομένων σε έναν κοινό, εναρμονισμένο χώρο χαρακτηριστικών, επιτρέποντας αξιόπιστη και συγκρίσιμη ανάλυση.<br /> Πείραμα και Συζήτηση<br /> <br /> '''4.1. Σύνολα Δεδομένων'''<br /> <br /> Η αποτελεσματικότητα της προτεινόμενης προσέγγισης αξιολογείται χρησιμοποιώντας τρία σύνολα δημοσίως διαθέσιμων πολυμορφικών εικόνων δύο χρονικών στιγμών.<br /> 1. Δεδομένα από το Onera Satellite Change Detection (OSCD):<br /> o Μορφή 1 (Modality 1): Εικόνες από τον αισθητήρα Sentinel-2, που περιλαμβάνουν τέσσερα φασματικά στοιχεία (κόκκινο, πράσινο, μπλε και υπέρυθρο), με ανάλυση 10 μέτρων.<br /> o Μορφή 2 (Modality 2): Εικόνες SAR από τον αισθητήρα Sentinel-1, προερχόμενες από επεκτάσεις του OSCD.<br /> Οι εικόνες συλλέγονται από τρεις πόλεις:<br /> • Μουμπάι (Mumbai): 858 × 557 πίξελ.<br /> • Χονγκ Κονγκ (Hong Kong): 695 × 540 πίξελ.<br /> • Saclay: 688 × 639 πίξελ.<br /> Αυτές οι εικόνες καλύπτουν τρεις διαφορετικές μορφές:<br /> 1. Πολυφασματικές εικόνες (multispectral: κόκκινο, πράσινο, μπλε και υπέρυθρο).<br /> 2. Ορατές εικόνες (visible: κόκκινο, πράσινο, μπλε).<br /> 3. Εικόνες SAR.<br /> Η Εικόνα 2 παρουσιάζει τις εικόνες από δύο μορφές (ορατές και SAR) για τα παραπάνω σύνολα δεδομένων, καθώς και τους αντίστοιχους χάρτες αναφοράς αλλαγών.<br /> <br /> [[Αρχείο:1.2.png]]<br /> <br /> Πολυμορφικά ζεύγη εικόνων δύο χρονικών στιγμών και χάρτες αλλαγών.<br /> <br /> 2. Πρόσθετα Σύνολα Δεδομένων:<br /> o River dataset:<br /> Περιλαμβάνει μια εικόνα SAR από τον αισθητήρα Radarsat-2 (εικόνα πριν την αλλαγή) και μια πανχρωματική εικόνα από τον Landsat-7 (εικόνα μετά την αλλαγή), και οι δύο με επεξεργασμένες διαστάσεις 343 × 291 πίξελ.<br /> Η κύρια ανιχνευθείσα αλλαγή είναι η διάβρωση των όχθεων ποταμών.<br /> o Shuguang dataset:<br /> Περιλαμβάνει μια εικόνα SAR πριν την αλλαγή (2008) και μια οπτική εικόνα μετά την αλλαγή (2012), και οι δύο προτυποποιημένες σε διαστάσεις 593 × 921 πίξελ.<br /> Η κύρια αλλαγή αφορά την κατασκευή κτιρίων σε πρώην γεωργικές εκτάσεις.<br /> <br /> '''Σκοπός Χρήσης των Δεδομένων'''<br /> <br /> Αυτά τα δεδομένα εμπλουτίζουν το πεδίο της μελέτης με διάφορα σενάρια αλλαγών και μορφές δεδομένων, παρέχοντας μια ολοκληρωμένη βάση για την αξιολόγηση της αποτελεσματικότητας των μεθόδων ανίχνευσης αλλαγών (MCD).<br /> Σύγκριση Μέθοδοι<br /> Για να επαληθευτεί η απόδοση της προτεινόμενης προσέγγισης, συγκρίθηκαν έξι υπάρχουσες μέθοδοι μη εποπτευόμενης ανίχνευσης αλλαγών (CD) από τη βιβλιογραφία, καθώς και δύο αυτοεποπτευόμενες μέθοδοι. Οι μέθοδοι είναι οι εξής:<br /> 1. Ανάλυση Διανύσματος Αλλαγής (Change Vector Analysis - CVA):<br /> o Κλασική μη εποπτευόμενη μέθοδος ανίχνευσης αλλαγών.<br /> 2. Βαθιά Ανάλυση Διανύσματος Αλλαγής (Deep Change Vector Analysis - DCVA):<br /> o Ένα προεκπαιδευμένο συνελικτικό νευρωνικό δίκτυο εξάγει υπερδιανύσματα χαρακτηριστικών πολλαπλών χρονικών στιγμών, τα οποία αναλύονται για τη δημιουργία δυαδικού χάρτη αλλαγών.<br /> 3. Γραφήματα Βασισμένα σε Μη Τοπική Ομοιότητα Μοτίβων (Nonlocal Patch Similarity-Based Graph - NPSG):<br /> o Χρησιμοποιείται ένα μέτρο ομοιότητας για την κατασκευή γραφήματος για κάθε μοτίβο (patch), ενώ το αποτέλεσμα συγκρίνει τις δομές των γραφημάτων για την ανίχνευση αλλαγών.<br /> 4. Βελτιωμένο Γράφημα Μη Τοπικής Βάσης (Improved Nonlocal Patch-Based Graph - INLPG):<br /> o Βασίζεται στη δομική συνοχή για τη σύγκριση των δομών των εικόνων δύο χρονικών στιγμών και την ανίχνευση περιοχών αλλαγών.<br /> 5. Ιτερική Σταθερή Αναπαράσταση και Σημασιολογική Συντμημένη Συνεπιμέτρηση (Iterative Robust Graph and Markovian Co-Segmentation - IRGMcS):<br /> o Χρησιμοποιείται γράφημα K-πλησιέστερων γειτόνων για την αναπαράσταση των δομών των εικόνων και οι χάρτες αλλαγών δημιουργούνται μέσω Μαρκοβιανής τμηματοποίησης.<br /> 6. Γράφημα Βασισμένο σε Σχέσεις Ομοιότητας και Διαφορετικότητας (Similarity and Dissimilarity Relationships-Based Graph - SDIR):<br /> o Χρησιμοποιεί σχέσεις διαφορετικότητας ως συμπληρωματική προσέγγιση στις σχέσεις ομοιότητας για την κατασκευή γραφήματος δομής.<br /> 7. Αυτοεποπτευόμενη Ανίχνευση Αλλαγών Πολλαπλών Αισθητήρων (Self-Supervised Multisensor Change Detection - SMCD):<br /> o Ένα αυτοεποπτευόμενο δίκτυο χρησιμοποιεί βαθιά ομαδοποίηση και μάθηση αντίθεσης για την εξαγωγή χαρακτηριστικών και σύγκριση των χαρτών αλλαγών. Θεωρείται η κορυφαία μέθοδος (State-of-the-Art - SOTA) για τα σύνολα δεδομένων που εξετάζονται.<br /> 8. Αυτοεποπτευόμενη Ανίχνευση Αλλαγών Με Καθοδήγηση από Υπερπίξελ (Superpixel-Guided Self-Supervised Change Detection - S3CD):<br /> o Μη εποπτευόμενο δίκτυο που βασίζεται στην αυτοεποπτευόμενη μάθηση με καθοδήγηση από υπερπίξελ. Αντιμετωπίζει την έλλειψη δεδομένων εκπαίδευσης, δημιουργώντας υψηλής ποιότητας εικόνες διαφορών μέσω ανάλυσης χαρακτηριστικών σε πολλαπλές κλίμακες.<br /> <br /> Οι παραπάνω μέθοδοι συγκρίνονται για να αξιολογηθεί η αποτελεσματικότητα της προτεινόμενης προσέγγισης στα πολυμορφικά δεδομένα δύο χρονικών στιγμών.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Αυτό το άρθρο παρουσίασε έναν νέο αλγόριθμο αυτοεποπτευόμενης ανίχνευσης αλλαγών (MCD), εξοπλισμένο με μια προτεινόμενη μονάδα ενοποιημένης χαρτογράφησης (Unified Mapping Unit - UMU) για την αντιμετώπιση των προκλήσεων που υπάρχουν στην ανίχνευση αλλαγών σε πολυμορφικές εικόνες τηλεπισκόπησης. Ο προτεινόμενος αλγόριθμος Self-DCF επιλύει αποτελεσματικά το ζήτημα της έλλειψης επισημασμένων δεδομένων στα καθήκοντα MCD, αξιοποιώντας ένα πλαίσιο αυτοεποπτευόμενης μάθησης που δεν απαιτεί ετικέτες. Επιπλέον, η UMU ενσωματώνεται για να μειώσει το χάσμα των πεδίων εικόνας μεταξύ των πολυμορφικών εικόνων δύο χρονικών στιγμών, επιτρέποντας ταυτόχρονη σύγκριση και επίβλεψη με πληροφορίες από διαφορετικές πηγές δεδομένων.<br /> Η αποτελεσματικότητα της προτεινόμενης προσέγγισης έχει επικυρωθεί σε πέντε δημοφιλή και απαιτητικά σύνολα δεδομένων, με πειραματικά αποτελέσματα, τόσο ποσοτικά όσο και ποιοτικά, να καταδεικνύουν το δυναμικό της. Οι συγκριτικές μελέτες δείχνουν ότι το Self-DCF προσφέρει ισορροπημένη απόδοση και υπεροχή σε σχέση με τις προηγμένες μη εποπτευόμενες και αυτοεποπτευόμενες μεθόδους ανίχνευσης αλλαγών για ετερογενείς εικόνες.<br /> <br /> <br /> [[category:Χαρτογραφία]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-15T12:07:55Z

<p>Dimitris Delipetros: </p> <hr /> <div>[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2025-01-15T12:07:08Z

<p>Dimitris Delipetros: </p> <hr /> <div>Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα) ]]</div>

Dimitris Delipetros