بررسی کارایی روشهای طبقه بندی SVM و KNN در استخراج عوارض شهری از ابر نقاط لیدار
- سال انتشار: 1396
- محل انتشار: دومین کنفرانس بین المللی پژوهش های دانش بنیان در مهندسی کامپیوتر و فناوری اطلاعات
- کد COI اختصاصی: CITCOMP02_156
- زبان مقاله: فارسی
- تعداد مشاهده: 1276
نویسندگان
دانشجوی کارشناسی ارشد علوم تصمیم و مهندسی دانش، دانشکده مدیریت، دانشگاه خوارزمی تهران، ایران
دانشجوی کارشناسی ارشد علوم تصمیم و مهندسی دانش، دانشکده مدیریت، دانشگاه خوارزمی تهران، ایران استادیار مرکز تحقیقات سنجش از دور و GIS، دانشگاه شهید بهشتی تهران، ایران
استادیار گروه فناوری اطلاعات، دانشکده مدیریت، دانشگاه خوارزمی تهران، ایران
چکیده
امروزه سه بعدی سازی به کمک ابر نقاط لیدار در زمینه هایی از جمله استخراج عوارض شهری، مدیریت شهری، بازی های رایانه ای و ... کاربرد زیادی دارد و از این رو زمینه تحقیق بسیاری را فراهم آورده است. روش های بسیاری برای ایجاد مدل سه بعدی وجود دارد. استفاده از داده های تصویر (تک تصویر، تصاویر استریو، تصاویر چندگانه)، روش های مبتنی بر لیدار و همچنین استفاده از داده های چند سنجنده از جمله روش های ایجاد مدل سه بعدی هستند. در سه بعدی سازی هدف افزایش دقت در بخش بندی و طبقه بندی و بازسازی مدل است، لذا افزایش دقت در هر بخش، افزایش دقت سه بعدی سازی را به همراه خواهد داشت. در همین راستا نیاز به تحقیقات گسترده و دقیق در حوزه ی طبقه بندی داده ها وجود دارد. منظور از طبقه بندی، برچسب گذاری نواحی بر اساس ویژگی های مشابه اشیاء است. لیدار یک تکنولوژی نسبتا جدید برای تولید داده های مکانی به کمک سنجنده فعال و مبتنی بر اشعه لیزر است. لیدار با ارسال اشعه لیزر به سطح اشیاء و محاسبه ی فاصله آن ها اطلاعات سطح اشیاء را جمع آوری می کند. هدف از این تحقیق اجرای الگوریتم های k امین نزدیک-ترین همسایگی (KNN) و ماشین بردار پشتیبان به منظور مقایسه دقت طبقه بندی عوارض شهری و مبتنی بر ویژگی-های لیدار ، تصویر ، مقادیر ویژه و... است. با بررسی نتایج حاصل از پیاده سازی الگوریتم های فوق، الگوریتم SVM با دقت کلی 79.66 و ضریب کاپای 00.72 در طبقه بندی نقاط ابری لیدار کاراتر است.کلیدواژه ها
طبقه بندی، یادگیری ماشین، نقاط ابری، ماشین بردار پشتیبان، K امین نزدیک ترین همسایگیمقالات مرتبط جدید
- مرور سیستماتیک کاربرد هوش مصنوعی در موسیقی
- In-silico Analyses for Finding Potential Key Genes and Pathways Associated with Guillain-Barré Syndrome Using Computational Tools
- OCD Severity Based on EEG Signals
- Investigating the (non) -Impact of Customizing Knowledge Bases of Artificial Intelligence -Driven Robot on Language for Specific Purposes Learning
- The Need for Telehealth and Tele-Educationon in Optimizing Measles Surveillance and Reducing Healthcare Costs
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.