Monteverdi 1.6 , SVM Classification

[gamm]

ну так-то оно да, только я так понимаю, что kernel trick придумали если классы "заходят" друг на друга...
Обзоры писали конечно не хардкорные математики, а ученые-биологи, они использовали несколько кернелов и считали производительность и точность. если нужно, позже найду саму статью

ну да - они экспериментировали

я помню, у нас геологи года три экспериментировали с разными вариограммами для кригинга в SURFER, вместо того, чтобы их посчитать по своим данным ...

[nadiopt]

зато небось теперь вариограммы знают как свои пять пальцев:)
Гамм, а не подскажете, есть ли какие свежие российские работы по использованию СВМ в дешифрировании снимков? а то у меня непатриотично получается, 128 импортных работ и ни одной нашей:(

[gamm]

[ поскольку после перехода в новую систему координат с использованием ядер эти же задачи с успехом решаются обычным линейным дискриминатором (бинарным, после соответствующих "нахлобучек").

Если я правильно понимаю, линейная разделяющая плоскость в новом пространстве, соответствует нелинейной плоскости в пространстве признаков. И СВМ как раз позволяет построить эту плоскость без перехода.
Может потому классификация так долго и считается

именно. Проблема в том, как выбрать "новое пространство", здесь пока полного автоматического решения нет. А выбрав, построить такую плоскость позволяет любой линейный дискриминантный метод, просто SVM (один из них) пытается построить плоскость "равноудаленной" от известных точек, "в надежде", что это соответствует распределению данных. А вот LVQ наоборот, пытается выбрать "опорные точки" в классах, и проложить между ними линию нелинейной границы. Везде свои заморочки - у химиков, например, есть методы построения дискриминаторов для случая, когда размерность данных значительно превышает объем обучающей выборки (например, у вас есть по 3 пикселя на класс для гиперспектральной системы - реально это спектрометры, там несколько тысяч отсчетов). Химики много наворотили по созданию "многоклассных" классификаторов из бинарных, есть интересные идеи.

[gamm]

зато небось теперь вариограммы знают как свои пять пальцев:)
Гамм, а не подскажете, есть ли какие свежие российские работы по использованию СВМ в дешифрировании снимков? а то у меня непатриотично получается, 128 импортных работ и ни одной нашей:(

а я российских работ не читаю ... обычно это пересказы импортных, или результаты "опытов". Поищите в публикациях ИКИ, там вроде остались еще специалисты-математики.

[syroezhka]

2nadiopt,
У меня Ландсат безоблачный и 10 классов. Но честно говоря, я дальше экспериментов не продвинулась. Потому как слишком трудо- и времязатратно выходит.
Вапник, который гуру всего этого СВМ, как раз наш
http://www.clrc.rhul.ac.uk/resources/fop/index.htm

[nadiopt]

про Вапника я знаю, даже смотрела его личный сайт, в обзор естественно вставила. Но он начинал эту работу с мохнатых годов, а хочется свежачка:)

[kryl]

Странно под виртуальной XP плагин OTB на 1.7 QGIS работет на большой машине W764 нет

[kryl]

И под другой WM XP не идет с той же ошибкой. И интернет девственно пуст как будто этим плагином под Windows никто не пользуется.

[Александр Мурый]

А может, тупо не хватает памяти на машине?
Вот здесь советуют посмотреть на параметры OTB_STREAM_IMAGE_SIZE_TO_ACTIVATE_STREAMING и
OTB_STREAM_MAX_SIZE_BUFFER_FOR_STREAMING в конфигурац. файле otb.conf (наверное, он будет и на WinXP).

Как я понял из рассылки otb-users, прямых ограничений по максим. размеру файлов в OTB нет, но желательно пользоваться некими загадочными "Streaming-фильтрами" : 1, 2, 3

[kryl]

Вряд ли память. На 8 Гб в родной системе не работает, а на VirtualBox на нетбуке с 2 гб как раз работает.

[kryl]

ну так как загонять эталоны в Монтеверди?

[syroezhka]

Я ответила еще на прошлой странице
gis-lab.info/forum/viewtopic.php?f=20&t=7079&start=15#p43671
Upd: я последний абзац того поста чуток подредактировала.

[kryl]

А что за GLMapper?

[syroezhka]

Я делала в Global Mapper 10 и на работе в - 12.

[kryl]

Делаю кугисовским ОТБ SVM маску лесов. Делил на 2 класса лес/не лес. При этом упорно не хотелось отделятся от леса вода. Добавил класс воды стало лучше. Получается что SVM плохо работает с разнородными классами.
Т.е. насколько я понимаю даже если стоит задача разделения на 2 класса то стоит выделять все равно много классов, а потом объединять? Какие по вашему опыту тогда стоит выделять классы не леса?
Или есть какие-то хитрые настройки SVM которые позволяют добиться корректной работы бинарной классификации на "то что надо" и "все остальное очень разнородное" без разделения этого разнородного на отдельные классы?