بررسی تاثیر نحوه توزیع و تعداد داده های آموزشی در دقت طبقه بندی شبکه عصبی تصاویر ماهواره ای

سنجش از دور ابزار کارآمد جهت پایش پدیده ها در ابعاد بزرگ است، با استفاده از تصاویر ماهواره ای می توان مناطق به پهنه بندی بزرگ از سطح زمین را مورد ارزیابی قرار داد، یکی از روش های سودمند در طبقه بندی تصاویر ماهواره ای، روش طبقه بندی شبکه عصبی می باشد، در این روش در حالت نظارت شده همواره نیامند تعدادی داده مرجع زمینی جهت آموزش شبکه عصبی هستیم، توزیع و تعداد این داده ها در تعیین دقت عملکرد این روش طبقه بندی غیرآماری بسیار اهمیت دارد. در تحقیق پیش رو سعی در بررسی تاثیر این دو مولفه در دقت عملکرد یک طبقه بندی کننده ی شبکه عصبی داریم، در این تحقیق با استفاده از تصاویر ماهواره ای ASTER در 3 باند و در 5 مقطع زمانی برای هر پیکسل یک بردار ویژگی 15 پارامتری برای ورود به شبکه عصبی در نظر گرفته می شود. با استفاده از مجموعه 40 مزرعه مرجع زمینی 6 حالت مختلف آموزش شبکه عصبی طراحی می شود که این شش حالت متاثر از توزیع های متفاوت با تعداد مختلف داده ی آموزشی هستند، سپس در ارزیابی نتایج شاهد تغیرات دقت در بدترین حالت 57% تا بهترین حالت 80% هستیم، این دامنه تغییرات 23% گویای تاثیر بسیار مهم آموزش طبقه بندی کننده شبکه عصبی می باشد.

کلیدواژه ها:

سنجش از دور ، تصاویر ماهواره ای ، طبقه بندی شبکه عصبی ، داده های آموزشی