Ανάπτυξη αυτο-οργανούμενων ασαφών νευρωνικών πολυστρωματικών ταξινομητών

Από RemoteSensing Wiki

Μητράκης Ν. Ανάπτυξη αυτο-οργανούμενων ασαφών νευρωνικών πολυστρωματικών ταξινομητών: Εφαρμογή στο πρόβλημα ταξινόμησης κάλυψης γης με χρήση πολυφασματικών δορυφορικών εικόνων υπερ-υψηλής ευκρίνειας . Διδακτορική Διατριβή Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών

Αντικείμενο Διατριβής

Αντικείμενο της παρούσας διδακτορικής διατριβής είναι η ανάπτυξη ενός καινοτόμου ασαφούς νευρωνικού πολυστρωματικού ταξινομητή με δυνατότητες αυτο-οργάνωσης και επιλογής χαρακτηριστικών. Για το σκοπό αυτό, χρησιμοποιείται μία πολυφασματική δορυφορική εικόνα υπερ-υψηλής ευκρίνειας προερχόμενη από το δορυφόρο IKONOS, από την οποία εξάγονται επιπλέον χαρακτηριστικά μέσα από γραμμικούς μετασχηματισμούς των αρχικών καναλιών αλλά και μετασχηματισμούς που περιγράφουν την υφή.

Στόχος Διατριβής

Βάση των παραπάνω παρατηρήσεων, ως κύριος στόχος της διδακτορικής διατριβής τέθηκε ο σχεδιασμός ενός καινοτόμου αυτο-οργανούμενου ασαφούς νευρωνικού πολυ- στρωματικού ταξινομητή.

Επιμέρους στόχους αποτελούν:

• Η ανάπτυξη μιας νέας δομής ταξινομητών που θα βασίζεται στην πολυστρωματική αρχιτεκτονική των νευρωνικών δικτύων με στόχο την εκμετάλλευση της ικανότητας διαδοχικού μη γραμμικού μετασχηματισμού των αρχικών χαρακτηριστικών.

• Η διαμόρφωση ενός νέου τύπου νευρώνα που χρησιμοποιεί ασαφή συστημάτων συμπερασμού, ώστε να αποτελεί ένα στοιχειώδη ταξινομητή μιας συνολικής δομής στοιχειωδών ταξινομητών με μορφή δικτύου.

• Ο κατάλληλος συνδυασμός των στοιχειωδών ταξινομητών από έναν τελεστή συγκε-ρασμού, το αποτέλεσμα του οποίου καθορίζει το χώρο εισόδου ενός νέου στοιχειώδη ταξινομητή σε επόμενο στρώμα του δικτύου.

• Η χρήση τεχνικών για την αποτελεσματική διαχείριση των προτύπων εσωτερικά στη δομή του ταξινομητή, με ιδιαίτερη μέριμνα για βελτίωση της ακρίβειας αμφισβητούμενων προτύπων.

• Η ανάπτυξη νέων αποτελεσματικών αλγορίθμων εκμάθησης δομής με χαρακτηριστικά αυτο-οργάνωση και επιλογής εισόδων.

• Η εφαρμογή του προτεινόμενου ταξινομητή σε ένα ικανό αριθμό γνωστών προβλημάτων ταξινόμησης διαφορετικών χαρακτηριστικών για την εξαγωγή συμπερασμάτων που αφορούν τη σωστή λειτουργία του προτεινόμενου μοντέλου.

• Η ενσωμάτωση του ταξινομητή σε ένα ολοκληρωμένο σύστημα αναγνώρισης προτύπων το οποίο αφορά την ταξινόμηση κάλυψης γης με χρήση πολυφασματικών δορυφορικών εικόνων υπερ-υψηλής ευκρίνειας από την ευρύτερη περιοχή του διεθνούς οικολογικής σημασίας υγροτόπου της λίμνης Κορώνειας.

• Η αποτελεσματική αντιμετώπιση των ιδιαίτερων προβλημάτων που συναντώνται στην ταξινόμηση δορυφορικών εικόνων, όπως η εξαγωγή και διαχείριση κατάλληλων μετασχηματισμένων χαρακτηριστικών.

Σημαντικά αποτελέσματα

Ταξινόμηση δορυφορικών εικόνων υπερ-υψηλής ευκρίνειας

Στην παρούσα διατριβή αναπτύχθηκαν και προτάθηκαν νέες τεχνικές και μέθοδοι στο πεδίο της τηλεπισκόπησης, και συγκεκριμένα, της ταξινόμησης δορυφορικών εικόνων υπερ-υψηλής ευκρίνειας.

• Για την ανάπτυξη περιεκτικών χαρακτηριστικών, προτάθηκε η χρήση μιας αποτελεσματικής μεθόδου για τη επιλογή του κατάλληλου μεγέθους παραθύρου και γωνίας, για τον υπολογισμό χαρακτηριστικών υφής από τους πίνακες GLCM. Η ίδια μέθοδος εφαρμόστηκε για την επιλογή του κατάλληλου μεγέθους παραθύρου και συνάρτησης κυματιδίου, για την εξαγωγή χαρακτηριστικών υφής με χρήση του μετασχηματισμού κυματιδίου (wavelets). Με αυτόν τον τρόπο, αντιμετωπίστηκε το πρόβλημα του εμπειρικού καθορισμού των παραπάνω μεγεθών, όπως συνηθίζεται στη βιβλιογραφία.

• Εξετάσθηκε η επίδραση των διαφόρων οικογενειών χαρακτηριστικών στην ταξινόμηση της υγροτοπικής και της αγροτικής περιοχής. Κατέστη φανερή η μεγαλύτερη ακρίβεια που επιτυγχάνεται με χρήση των χαρακτηριστικών υφής, συγκριτικά με τα χαρακτηριστικά τα οποία προκύπτουν από τους γραμμικούς μετασχηματισμούς IHS και tasseled cap.

• Προτάθηκε ένα νέο σχήμα συγκερασμού αποφάσεων ταξινομητών SONeFMUC-II, οι οποίοι έχουν αναπτυχθεί χρησιμοποιώντας διαφορετικές οικογένειες χαρακτηριστικών. Η ακρίβεια που επιτεύχθηκε με αυτόν τον τρόπο ήταν σημαντικά υψηλότερη, σε σχέση με το αποτέλεσμα που προκύπτει από τη χρήση όλων των διαθέσιμων χαρακτηριστικών ως εισόδων σε έναν μοναδικό ταξινομητή.

• Η σύγκριση των μεθόδων ταξινόμησης έγινε τόσο σε επίπεδο ακρίβειας ταξινόμησης με χρήση των πινάκων λαθών, αλλά και μέσα από την ποιοτική ανάλυση των παραγόμενων θεματικών χαρτών. Από την σύγκριση διαπιστώθηκε η ανωτερότητα της προτεινόμενης μεθόδου έναντι της διαδεδομένης MLC.