An object classification technique on aerial and space imagery under low separability of recognition features
Методи класифікування використовуються в дистанційному дослідженні Землі (ДЗЗ) для дослідження природних ресурсів, моніторингу довкілля та вирішення багатьох інших задач. Також, вони відіграють важливу роль у залученні даних ДЗЗ до вирішення завдань, пов’язаних із досягненням цілей сталого розвитку....
Збережено в:
| Дата: | 2023 |
|---|---|
| Автор: | |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine
2023
|
| Теми: | |
| Онлайн доступ: | https://ujrs.org.ua/ujrs/article/view/244 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Ukrainian Journal of Remote Sensing of the Earth |
Репозитарії
Ukrainian Journal of Remote Sensing of the Earth| id |
uajuacgovua-article-244 |
|---|---|
| record_format |
ojs |
| institution |
Ukrainian Journal of Remote Sensing of the Earth |
| collection |
OJS |
| language |
Ukrainian |
| topic |
аеро- та космічні зображення неконтрольоване класифікування контрольоване класифікування кластеризація навчальна вибірка розділимість навчальної вибірки aerial and space images unsupervised classification supervised classification clustering training sample training sample separability |
| spellingShingle |
аеро- та космічні зображення неконтрольоване класифікування контрольоване класифікування кластеризація навчальна вибірка розділимість навчальної вибірки aerial and space images unsupervised classification supervised classification clustering training sample training sample separability Andreiev, Artem An object classification technique on aerial and space imagery under low separability of recognition features |
| topic_facet |
аеро- та космічні зображення неконтрольоване класифікування контрольоване класифікування кластеризація навчальна вибірка розділимість навчальної вибірки aerial and space images unsupervised classification supervised classification clustering training sample training sample separability |
| format |
Article |
| author |
Andreiev, Artem |
| author_facet |
Andreiev, Artem |
| author_sort |
Andreiev, Artem |
| title |
An object classification technique on aerial and space imagery under low separability of recognition features |
| title_short |
An object classification technique on aerial and space imagery under low separability of recognition features |
| title_full |
An object classification technique on aerial and space imagery under low separability of recognition features |
| title_fullStr |
An object classification technique on aerial and space imagery under low separability of recognition features |
| title_full_unstemmed |
An object classification technique on aerial and space imagery under low separability of recognition features |
| title_sort |
object classification technique on aerial and space imagery under low separability of recognition features |
| title_alt |
Методика класифікування об’єктів на аеро- та космічних зображеннях в умовах низької розділимості розпізнавальних ознак |
| description |
Методи класифікування використовуються в дистанційному дослідженні Землі (ДЗЗ) для дослідження природних ресурсів, моніторингу довкілля та вирішення багатьох інших задач. Також, вони відіграють важливу роль у залученні даних ДЗЗ до вирішення завдань, пов’язаних із досягненням цілей сталого розвитку. Серед них контрольовані та неконтрольовані методи класифікування об’єктів на аеро- та космічних зображеннях. Але для більшості тематичних задач ДЗЗ доцільним є використання саме контрольованих методів класифікування, тому що розглянуті задачі потребують задання ознак вихідних класів. В контрольованих методах класифікування ознаки задаються навчальною вибіркою. Серед відомих підходів до обробки навчальної вибірки можна виділити наступні: кластерна вибірка; підходи, що дозволяють зменшити розмірність навчальної вибірки; підходи, що виявляють репрезенти, які були віднесені до вибірки не того класу, якому відповідає їхня класова приналежність. Проте, їх спільним недоліком є те, що вони не враховують фактор розділимості навчальної вибірки. Дана властивість безпосередньо впливає на достовірність класифікування. В дослідженні запропоновано методику, метою якої є підвищення достовірності класифікування об’єктів на аеро- та космічних зображеннях шляхом підвищення розділимості навчальної вибірки. Дана методика включає в себе метод оцінювання розділимості навчальної вибірки. При цьому, є можливість оцінити розділимість як двох окремих класів, так і всього набору навчальної вибірки в цілому. Розроблена методика має дві гілки застосування: зменшення розмірності навчальної вибірки та кластеризація навчальної вибірки. В дослідженні було експериментально перевірено ефективність даної методики на трьох прикладах. В двох прикладах застосування методики полягало в кластеризації навчальної вибірки. В одному з цих прикладів загальна точність класифікації зросла на 4 % (з 77% до 81%), а в другому – на 20% (з 63% до 83%). До третього прикладу було застосовано зменшення розмірності навчальної вибірки. Результатом чого стало зменшення розмірності вхідних даних зі 167 до 57 шарів, тобто розмірність зменшилася у 2.92 рази. Також, було підвищено загальну точність класифікування на 2% (з 91% до 93%). |
| publisher |
Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine |
| publishDate |
2023 |
| url |
https://ujrs.org.ua/ujrs/article/view/244 |
| work_keys_str_mv |
AT andreievartem metodikaklasifíkuvannâobêktívnaaerotakosmíčnihzobražennâhvumovahnizʹkoírozdílimostírozpíznavalʹnihoznak AT andreievartem anobjectclassificationtechniqueonaerialandspaceimageryunderlowseparabilityofrecognitionfeatures |
| first_indexed |
2024-04-21T19:48:25Z |
| last_indexed |
2024-04-21T19:48:25Z |
| _version_ |
1796975001227755520 |
| spelling |
uajuacgovua-article-2442023-10-02T18:58:00Z Методика класифікування об’єктів на аеро- та космічних зображеннях в умовах низької розділимості розпізнавальних ознак An object classification technique on aerial and space imagery under low separability of recognition features Andreiev, Artem аеро- та космічні зображення неконтрольоване класифікування контрольоване класифікування кластеризація навчальна вибірка розділимість навчальної вибірки aerial and space images unsupervised classification supervised classification clustering training sample training sample separability Методи класифікування використовуються в дистанційному дослідженні Землі (ДЗЗ) для дослідження природних ресурсів, моніторингу довкілля та вирішення багатьох інших задач. Також, вони відіграють важливу роль у залученні даних ДЗЗ до вирішення завдань, пов’язаних із досягненням цілей сталого розвитку. Серед них контрольовані та неконтрольовані методи класифікування об’єктів на аеро- та космічних зображеннях. Але для більшості тематичних задач ДЗЗ доцільним є використання саме контрольованих методів класифікування, тому що розглянуті задачі потребують задання ознак вихідних класів. В контрольованих методах класифікування ознаки задаються навчальною вибіркою. Серед відомих підходів до обробки навчальної вибірки можна виділити наступні: кластерна вибірка; підходи, що дозволяють зменшити розмірність навчальної вибірки; підходи, що виявляють репрезенти, які були віднесені до вибірки не того класу, якому відповідає їхня класова приналежність. Проте, їх спільним недоліком є те, що вони не враховують фактор розділимості навчальної вибірки. Дана властивість безпосередньо впливає на достовірність класифікування. В дослідженні запропоновано методику, метою якої є підвищення достовірності класифікування об’єктів на аеро- та космічних зображеннях шляхом підвищення розділимості навчальної вибірки. Дана методика включає в себе метод оцінювання розділимості навчальної вибірки. При цьому, є можливість оцінити розділимість як двох окремих класів, так і всього набору навчальної вибірки в цілому. Розроблена методика має дві гілки застосування: зменшення розмірності навчальної вибірки та кластеризація навчальної вибірки. В дослідженні було експериментально перевірено ефективність даної методики на трьох прикладах. В двох прикладах застосування методики полягало в кластеризації навчальної вибірки. В одному з цих прикладів загальна точність класифікації зросла на 4 % (з 77% до 81%), а в другому – на 20% (з 63% до 83%). До третього прикладу було застосовано зменшення розмірності навчальної вибірки. Результатом чого стало зменшення розмірності вхідних даних зі 167 до 57 шарів, тобто розмірність зменшилася у 2.92 рази. Також, було підвищено загальну точність класифікування на 2% (з 91% до 93%). Classification methods are used in remote sensing of the Earth to study natural resources, monitor the environment, and solve many other problems. Also, they play an important role in involving the remotely sensed data in solving tasks related to achieving sustainable development goals. Among them are supervised and unsupervised classification methods on aerial and space imagery. However, for most thematic problems, it is advisable to use precisely supervised classification methods because the considered problems require setting the characteristics of the initial classes. In supervised classification methods, the features are given by the training sample. Among the well-known approaches to processing the training sample, the following can be distinguished: cluster sampling; approaches to reduce the size of the training sample; approaches that detect representatives who were assigned to the sample of the wrong class to which their class membership corresponds. However, their common disadvantages is that they do not consider the factor of separation of the training sample. This property directly affects the reliability of the classification. The research proposed a technique to increase the reliability of object classification on aerial and space imagery by increasing the separability of the training sample. This technique includes a method of assessing the separability of the training sample. At the same time, it is possible to assess the separability of both two separate classes and the entire set of the educational sample. The developed technique has two branches of application: reducing the size of the training sample and clustering the training sample. In the study, the effectiveness of this technique was experimentally tested on three examples. In two examples, the technique was used to cluster the training sample. In one of these examples, the overall accuracy of the classification increased by 4% (from 77% to 81%), and in the second one by 20% (from 63% to 83%). A reduction in the size of the training sample was applied to the third example. As a result, the dimensionality of the input data was reduced from 167 to 57 layers. That is, the dimensionality decreased by 2.92 times. Also, the overall accuracy of the classification was increased by 2% (from 91% to 93%). Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine 2023-09-29 Article Article application/pdf https://ujrs.org.ua/ujrs/article/view/244 10.36023/ujrs.2023.10.3.244 Ukrainian journal of remote sensing; Vol. 10 No. 3 (2023); 4-9 Украинский журнал дистанционного зондирования Земли; Том 10 № 3 (2023); 4-9 Український журнал дистанційного зондування Землі; Том 10 № 3 (2023); 4-9 2313-2132 uk https://ujrs.org.ua/ujrs/article/view/244/254 Copyright (c) 2023 Ukrainian journal of remote sensing |