Uma arquitetura neural modular para classificação de imagens multiespectrais de sensoriamento remoto
| Autor: | Gonçalves, Marcio Leandro |
|---|---|
| Jazyk: | portugalština |
| Rok vydání: | 1997 |
| Předmět: | |
| Zdroj: | Repositório Institucional da UnicampUniversidade Estadual de CampinasUNICAMP. |
| Druh dokumentu: | masterThesis |
| Popis: | Orientadores: Marcio Luiz de Andrade Netto, Jurandir Zullo Junior Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação Made available in DSpace on 2018-07-23T14:42:40Z (GMT). No. of bitstreams: 1 Goncalves_MarcioLeandro_M.pdf: 7323089 bytes, checksum: d602716d35e0023d2a15b7797398fe91 (MD5) Previous issue date: 1997 Este trabalho propõe uma arquitetura para classificação de imagens multiespectrais de sensoriamento remoto, baseada em Redes Neurais Artificiais. A arquitetura é constituída de dois módulos de processamento: um módulo para extração de atributos da imagem utilizando o Mapa Auto-Organizável de Kohonen e outro módulo para a classificação, utilizando uma rede neural de Perceptrons Multicamadas. A arquitetura foi desenvolvida procurando alcançar dois objetivos específicos: explorar as vantagens da aprendizagem não-supervisionada para a extração de atributos; e busca de técnicas para melhorar a performance de tempo de treinamento dos algoritmos de aprendizagem utilizados. Em particular, para melhorar a performance de tempo de treinamento dos algoritmos de aprendizagem, o trabalho investiga implementações de algoritmos de treinamento paralelos para o treinamento do Mapa Auto-Organizável de Kohonen em um ambiente multiprocessado e a utilização de um algoritmo de treinamento avançado para a rede neural de Perceptrons Multicamadas. Os resultados experimentais mostram uma grande melhoria na performance de tempo de treinamento das redes neurais apresentada por esses algoritmos. Para testarmos a sua aplicabilidade, a arquitetura de classificação proposta foi utilizada para a classificação de um segmento de imagem LANDSAT/TM, referente a uma área teste pré-selecionada, e o seu desempenho foi comparado com o de um classificador de Máxima Verossimilhança. Os bons resultados adquiridos pela classificação neural associados com o melhoramento de performance em termos de tempo de treinamento motivam portanto a continuidade e a expansão de esforços de pesquisa nesta área This work presents an Artificial Neural Network (ANN) based architecture for the classification of Remote Sensing (RS) multispectral imagery. This architecture consists of two processing modules: an Image Feature Extraction Module using Kohonen's Self-Organizing Map (SOM) and a Classification Module using a Multi-Layer Perceptron (MLP) network. This architecture was developed aiming at two specific goals: to exploit the advantages of unsupervised learning for feature extraction and the testing of techniques to increase the learning algorithms' performance concerning training time. More specifically, this work tests the implementation of parallel learning algorithms for Kohonen's SOM in a multiprocessing environment and the utilization of a second-order learning algorithm for the MLP network. The experimental results exhibit a much superior performance by both algorithms. To test the applicability of this work, this architecture was applied to the classification of a LANDSAT/TM image segment from a pre-selected testing area and its performance was compared with that of a Maximum Likelihood Classifier. The good results obtained by the neural classification allied to the performance improvement encourage therefore further research efforts in this area Mestrado Mestre em Engenharia Elétrica |
| Databáze: | Networked Digital Library of Theses & Dissertations |
| Externí odkaz: |
|