ارزیابی نقش بهینه سازی همزمان فضای توصیف والگوریتم طبقه بندیدر افزایش دقت طبقه بندی

پیاده سازی یک روند طبقه بندی نظارت شده با استخراج توصیف گر از مجموعه داده و تشکیل فضای توصیف آغاز میگردد، پارامترهای الگوریتم طبقه بندی در مرحله آموزش تعیین می گردند و سپس به منظور طبقه بندی تصویر، به ازای هر پیکسل، برداری از توصیف گرها به عنوان اعضای فضای توصیف، وارد الگوریتم طبقه بندی میشوند تا براساس خصوصیات بردارتوصیف کننده هر پیکسل, طبقه بندی انجام گیرد. پس از قرار دادن اطلاعات همسان در یک کلاس, می توان به نتایج با اهمیتی در امر تشخیص، بازسازی، و شناسایی رسید. اما میزان موفقیت در این امر تأثیر مستقیمی روی دقت و صحت آنالیزهای بعدی دارد. بنابراین نمامی المان هایی که موجب افزایش دقت طبقه بندی شود، باید مورد توجه قرار گیرد. صرف نظر از انتخاب نوع روش طبقه بندی، مشکل اساسی مطرح در این فرآیند که تاثیر بسیار مهمی روی دقت نهایی می گذارد عبارتند از اولا" کامل بودن فضای توصیف از نظر وجود مولفه های STS در مورد شناسایی هر کلاس به طور مجزا و ثانیا" انتخاب نوع و تعداد توصیف گرها به عنوان ورودی به طبقه بندی و حذف توصیف گرهای تکراری و وابسته. در این تحقیق بهینه یابی در فضای توصیف همزمان با انتخاب ساختار شبکه عصبی انجام گرفته و میزان کارایی روش پیشنهادی در افزایش دقت یک روند طبقه بندی در مورد داده های کامل لیدار به همراه داده های عکس هوایی رنگی از منطقه ای شهری انجام گرفت. نتایج طبقه بندی با فضای توصیف بهینه، افزایش دقت را نسبت به استفاده از فضای توصیف کامل نشان می دهد.

کلیدواژه ها:

استخراج عوارض ، شبکه های عصبی ، توصیف گر ، بهینه یابی ، لیدار ، الگوریتم ژنتیک