Oryginalny tytuł:
Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification
Zawartość książki:
Niniejsza książka omawia najnowocześniejsze metody klasyfikacji obrazów w celu rozróżniania obiektów ziemskich na podstawie teledetekcyjnych danych satelitarnych, ze szczególnym uwzględnieniem algorytmów rozmytego uczenia maszynowego i głębokiego uczenia. Oba typy algorytmów opisano na tyle szczegółowo, że można je bezpośrednio zaimplementować do tematycznego mapowania pokrycia terenu wielu klas lub określonej klasy z wielospektralnych optycznych danych teledetekcyjnych. Algorytmy te wraz z wielodniową, wieloczujnikową teledetekcją są w stanie monitorować określony etap (np. fenologię uprawy) określonej klasy. Dzięki tym możliwościom algorytmy rozmytego uczenia maszynowego mają silne zastosowania w obszarach takich jak ubezpieczenia upraw, mapowanie pożarów lasów, wypalanie ściernisk, mapowanie szkód po katastrofach itp. Książka zawiera również szczegółowe informacje na temat bazy danych indeksów czasowych przy użyciu proponowanego podejścia Class Based Sensor Independent (CBSI) popartego praktycznymi przykładami. Ponadto w książce omówiono inne powiązane algorytmy oparte na odległości, jądrze, a także informacje przestrzenne za pomocą metod Markov Random Field (MRF)/Local convolution do obsługi mieszanych pikseli, nieliniowości i zaszumionych pikseli.
Ponadto książka ta obejmuje techniki kwantytatywnej oceny wyników miękkiej klasyfikacji frakcji i jest wspierana przez opracowane przez autora narzędzie o nazwie subpikselowy wielospektralny klasyfikator obrazu (SMIC). Książka skierowana jest do absolwentów, doktorantów, naukowców i profesjonalistów z różnych dziedzin, takich jak nauki geoinformacyjne, geografia, elektrotechnika, elektronika i informatyka itp. Algorytmy uczenia się omówione w tej książce mogą być również przydatne w innych pokrewnych dziedzinach, na przykład w obrazowaniu medycznym. Ogólnie rzecz biorąc, niniejsza książka ma na celu
⬤ skupienie się wyłącznie na wykorzystaniu szerokiego zakresu algorytmów klasyfikacji rozmytej dla obrazów teledetekcyjnych;
⬤ omówienie zastosowania klasyfikatorów ANN, CNN, RNN i uczenia hybrydowego na obrazach teledetekcyjnych;
⬤ opisać narzędzie subpikselowego klasyfikatora obrazów wielospektralnych (SMIC) do obsługi omawianych algorytmów rozmytych i uczących się;
⬤ wyjaśnić, jak oceniać miękkie sklasyfikowane wyniki jako obrazy frakcji przy użyciu rozmytej macierzy błędów (FERM) i jej zaawansowanych wersji z narzędziem FERM, entropią, współczynnikiem korelacji, średnim błędem kwadratowym i metodą charakterystyki operacyjnej odbiornika (ROC) oraz;
⬤ Łączy wyjaśnienie algorytmów ze studiami przypadków i praktycznymi zastosowaniami.
