Форумы GIS-Lab.info

Обсуждение статьи "Классификация данных ДЗЗ используя метод опорных векторов и imageSVM"

http://gis-lab.info/qa/imagesvm.html

а полигоны для обучения использовать можно? или только точки?

можно, ROI без разницы из чего делать
здесь в принципе тоже все точки собираются в один ROI - по сути то же что и полигон.

Кто нибудь проверьте алгоритм на одной виртуальной машине без ENVI. Интересно посмотреть как реализовали сбор эталонов . Может позже и сам проверю. Проект надо полагать за компилированный, pro не прилагаются?

imageSVM requires LIBSVM by Chih-Chung Chang and Chih-Jen Lin.

а все понятно что в основе

А можно картинки выложить - что было и что получилось? Что показывает оценка достоверности классификации?

kabanin, спасибо за интерес, но это статья не описание проекта, а описание технологии. Я своё дело сделал, про технологию рассказал, вы уже применяйте и верифицируйте.

Валидация вещь очень частная, зависящая от массы локальных параметров, даже если я расскажу вам про свою, врядли это даст четкий ответ на вопрос подойдет ли методика вам, так как условия у вас 100% другие. Количество классов, метод валидации, количество и качество проверочных данных и т.п.

nadiopt писал(а):а полигоны для обучения использовать можно? или только точки?

Использовать можно полигоны. Только вот если внимательно почитать руководство на английском языке к imageSVM, то там несколько рассказывается о методе опорных векторов. Для непараметрических методов, главное не количество, а качество. Можно иметь небольшое количество уникальных опорных векторов и хорошо разделить классы. Опыт показал что соотношение между количеством опорных векторов и точностью классификации достигает примерно 200- 300 векторов, при точности 80% (общая точность-overall accuracy). Но это с простых случаях. Если классификация со множеством классов и много снимков, надо больше опорных векторов.
Также, если посмотреть на файл обучающей выборки, если использовать полигоны, программа все равно выберет гораздо меньшее количество пикселей для тренинга.
Следует учитывать, что при увеличении количества классов и количества снимков, время классификации будет расти в геометрической прогрессии. Изначально СВМ был разработан для бинарных задач. Потом был адаптирован под многоклассовые задачи.

Чтобы суммировать вышесказанное
Достоинства СВМ:
-меньше тренингов
-лучшая разделимость мультимодальных спектральных классов и очень подходит для работы
с гиперспектральными данными
-точнее во многих случаях нейронных сетей и decision trees классификаторов
Недостатки:
-тренинги должны быть уникальными и без ошибок (много времени занимает отобрать хорошие тренинги)
-классификация занимает много времени (иногда и неделя)
-проблема с аппроксимацией (набирая тренинги только в одном месте снимка нельзя ожидать хороших результатов классификации в другом)
-более менее человеческие версии СВМ пока реализованы только в коммерческих пакетах.

для Максима: метод очень интересный, понравилось видео, выложенное на http://orfeo-toolbox.org/otb/monteverdi.html. согласен, что нужно пробовать, просто иногда на картинках сразу видны достоинства и недостатки метода, что позволяет сэкономить время)) а такой вопрос не по теме - нет ли доступных инструментов для классификации с использованием нейронных сетей?

кто будет тестить под ЭНВИ, нужно скопировать папку ImageSVM примерно сюда:
'C:\Program Files\IDL64\products\'
sav - в save_add
и как обычно правим envi.men
после дерева решений дописываем:
1 {imageSVM 2.0} {dummy} {imagesvm_gui}
ура
при экспорте сета эталонов в рои почему-то этот рои не подхватывается потом ImageSVM. Если делать растр, все ОК
есть инструмент Быстрая оценка точности, так там съедаются названия классов, поэтому нужно поправить отчет, глядя на список векторов (там они в таком же порядке). Сами эталоны лучше называть уникальными числами в ОДИН разряд (например 1_spruce).

А чем этот модуль лучше хуже стандартного SVM в ENVI?

Автоматически ищет параметры С и G, не глючит и чуть побыстрее в классификации. Можно этот пакет использовать без ENVI.

гы, сам установочник с сайта сбежал, разложила все куда положено в энви 4.8 и словила интересный глюк: в папку, куда складываются результаты классификации, автоматически заводится подпапка dummy. по отношению к себе перевожу как "болван":)