آموزش طبقه بندی نظارت نشده در ارث انجین

در این قسمت طبقه بندی نظارت نشده، بدون نیاز به تعریف داده های آموزشی در سامانه ی ارث انجین بررسی شد.

Table of Contents
check
قیمت:

0 تومان

لطفا برای حمایت از ما دوره های رایگان را انلاین مشاهده کنید

توضیحات محصول

دو دسته عمده از الگریتم های طبقه بندی تصویر شامل طبقه بندی نظارت نشده(محاسبه شده توسط نرم افزار) و نظارت شده(توسط انسان) وجود دراد. طبقه بندی بدون نظارت جایی است که نتایج (دسته بندی پیکسل ها با ویژگی های مشترک) بر اساس تجزیه و تحلیل نرم افزاری یک تصویر بدون استفاده از داده های نمونه توسط کاربر انجام شود. الگریتم از تکنیک هایی برای تعیین ارتباط پیکسل ها با یکدیگر استفاده می کند و آنها را در کلاس ها گروه بندی می کند. کاربر می تواند مشخص کند که نرم افزار از کدام الگوریتم استفاده کند و چه تعداد کلاس مورد نظر را وجود دارد. با این حال، زمانی که گروه بندی پیکسل ها با ویژگی های مشترک تولید شده توسط رایانه مربوط به ویژگی های واقعی زمین باشد(مانند تالاب ها، مناطق توسعه یافته، جنگل های سوزنی برگ و غیره)، کاربر باید از منطقه ای که طبقه بندی می شود، شناخت کافی را داشته باشد. طبقه بندی تحت نظارت بر این ایده استوار است که کاربر می تواند داده های آموزشی را در تصویر انتخاب کند که نماینده کلاس های خاص باشد و سپس الگریتم پردازش تصویر را جهت استفاده از این داده های آموزشی به عنوان مرجع برای طبقه بندی سایر پیکسل های تصویر هدایت کند. داده های آموزشی (همچنین به عنوان مجموعه های آزمایشی یا کلاس های ورودی شناخته می شوند) براساس دانش کاربر انتخاب می شوند. کاربر همچنین برای دسته بندی پیکسل های دیگر با هم مرزهایی را تعیین می کند. این محدوده ها اغلب براساس خصوصیات طیفی ناحیه آموزش تنظیم می شوند. کاربر همچنین تعداد کلاس هایی را که تصویر در آنها طبقه بندی می شود تعیین می کند. بسیاری از تحلیلگران از ترکیبی از فرآیندهای طبقه بندی نظارت شده و بدون نظارت برای تهیه تحلیل خروجی نهایی و نقشه های طبقه بندی شده استفاده می کنند. طبقه بندی تحت نظارت روشی است که اغلب برای تجزیه و تحلیل کمی داده های تصویر سنجش از دور استفاده می شود. در هسته اصلی آن مفهوم تقسیم بندی دامنه طیفی به مناطقی وجود دارد که می تواند با کلاس های پوشش زمینی مورد علاقه برای یک برنامه خاص مرتبط باشد. در عمل ممکن است این مناطق گاهی با هم تداخل داشته باشند. الگوریتم های مختلفی برای این کار در دسترس است و هدف از این آموزش این است که مواردی را که بیشتر مورد استفاده قرار می گیرند را معرفی کند. اساساً، روشهای مختلف در نحوه شناسایی و توصیف مناطق در فضای طیفی متفاوت است. برخی به دنبال یک تقسیم بندی هندسی ساده هستند در حالی که دیگران مدلهای آماری را برای تطبیق اندازه گیری طیفی و کلاس های مورد علاقه اتخاذ می کنند. برخی می توانند کلاس های تعریف شده توسط کاربر را که از نظر فضایی با یکدیگر همپوشانی دارند و از آنها به عنوان روشهای طبقه بندی نرم یاد می شود، اداره کنند. در روشی دیگر مرزهای واضحی بین کلاس ها ایجاد می کنند و به آنها روش طبقه بندی سخت گفته می شود،

ویژگی های آموزش
  • check دارای پشتیبانی
  • check ارائه آپدیت
  • check برای دریافت پشتیبانی از پیام رسان استفاده کنید

GeoRS.ir

شبکه ی اجتماعی ما:

آپارات اینستاگرام