Máquina de Vetores de Suporte Adaptativa ao Contexto: formalização e aplicações em Sensoriamento Remoto

• Autor(a) principal: Rogério Galante Negri
• Data de Publicação: 2013
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações do INPE
• Texto Completo: http://urlib.net/sid.inpe.br/mtc-m19/2013/07.10.14.32

Em diversos estudos em Sensoriamento Remoto, o método Máquina de Vetores Suporte (\textit{Support Vector Machine} - SVM) tem sido empregado para classificação de imagens. Embora a formulação original deste método não incorpore a informação contextual, existem diferentes propostas para a incorporação desse tipo de informação pelo método SVM. Geralmente, tais propostas consistem na modificação da etapa de treinamento do método SVM ou na integração de seus resultados de classificação através de modelos estocásticos. Este estudo traz uma nova perspectiva com relação ao desenvolvimento de SVM contextuais. O conceito principal desta nova proposta consiste em deslocar o hiperplano de separação, determinado inicialmente pelo SVM tradicional, para cada pixel da imagem, em função de sua informação contextual e de acordo com um submodelo de contextualização adotado. Neste trabalho foram propostos dois submodelos, denominados Repulsivo e Translativo. O submodelo Repulsivo permite a realização de movimentos de translação e rotação para adaptação do hiperplano, enquanto o submodelo Translativo permite apenas deslocamentos na direção ortogonal ao hiperplano. Três estudos de caso foram realizados, em que os resultados obtidos pelo método proposto são comparados com resultados obtidos pelos métodos SVM tradicional, SVM adaptado ao algoritmo ICM (\textit{Iterated Conditional Modes}) e pela aplicação do Filtro da Moda sobre imagens classificadas pelo método SVM. Enquanto o primeiro estudo aborda problemas de classificação binária utilizando imagens simuladas, o segundo e terceiro estudos de caso consideram a classificação multiclasse de imagens de Sensoriamento Remoto obtidas pelos sensores ALOS PALSAR e IKONOS-II MS, respectivamente. Os resultados mostram que o método proposto é capaz de produzir resultados de classificação com exatidão semelhante aos métodos contextuais considerados neste estudo. No entanto, verifica-se que o método proposto apresenta maior capacidade de preservação de alvos pontuais e das bordas entre regiões de diferentes classes, em comparação aos métodos contextuais considerados.