Máquina de Vetores de Suporte Adaptativa ao Contexto: formalização e aplicações em Sensoriamento Remoto
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
INPE_4e804faf654c713d1385530259cfe179 |
---|---|
oai_identifier_str |
oai:urlib.net:sid.inpe.br/mtc-m19/2013/07.10.14.32.48-0 |
network_acronym_str |
INPE |
network_name_str |
Biblioteca Digital de Teses e Dissertações do INPE |
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisMáquina de Vetores de Suporte Adaptativa ao Contexto: formalização e aplicações em Sensoriamento RemotoContext Adaptive Support Vector Machine: formalization and Remote Sensing Applications2013-08-01Luciano Vieira DutraSidnei João Siqueira Sant'AnnaCamilo Daleles RennóAna Carolina LorenaGilson Alexandre Ostwald Pedro da CostaClodoveu Augusto Davis JuniorRogério Galante NegriInstituto Nacional de Pesquisas Espaciais (INPE)Programa de Pós-Graduação do INPE em Computação AplicadaINPEBRSVMclassificação de imagenscontextoSVMimage classificationcontextEm 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.Several Remote Sensing studies have adopted the Support Vector Machine (SVM) method for image classification. Although the original formulation of this method does not incorporate contextual information, there are different proposals to incorporate this information on SVM classification. Usually, these proposals modify the SVM training phase or integrating SVM classifications using stochastic models. This study presents a new perspective on the development of contextual SVMs. The main concept of this new proposal is to displace the separation hyperplane, initially determined by the traditional SVM, for each pixel in the image. The hyperplane displacement is produced on basis of contextual information of each pixel and according to a contextualization submodel adopted. This work presents two contextualization submodels, called Repulsive and Translative. The Repulsive Submodel allows translational and rotational movements in order to adapt the separation hyperplane, while in the Translative submodel only movements in the hyperplane orthogonal direction are performed. Three case studies were conducted, where a comparison with SVM, SVM integrated to Iterated Concitional Modes (ICM) algorithm and to Mode Filter are made. While the first study deals with binary classification problems using simulated images, the second and third case studies consider the multiclass classification of Remote Sensing images from ALOS PALSAR and IKONOS MS-II sensors, respectively. The results show that the proposed method is able to produce classification results with similar accuracy to the others contextual methods considered in this study. However, the proposed method has an improved ability to preserve pointwise targets and edges between regions of different classes, when compared to the other contextual methods.http://urlib.net/sid.inpe.br/mtc-m19/2013/07.10.14.32info:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Teses e Dissertações do INPEinstname:Instituto Nacional de Pesquisas Espaciais (INPE)instacron:INPE2021-07-31T06:54:13Zoai:urlib.net:sid.inpe.br/mtc-m19/2013/07.10.14.32.48-0Biblioteca Digital de Teses e Dissertaçõeshttp://bibdigital.sid.inpe.br/PUBhttp://bibdigital.sid.inpe.br/col/iconet.com.br/banon/2003/11.21.21.08/doc/oai.cgiopendoar:32772021-07-31 06:54:14.698Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE)false |
dc.title.pt.fl_str_mv |
Máquina de Vetores de Suporte Adaptativa ao Contexto: formalização e aplicações em Sensoriamento Remoto |
dc.title.alternative.en.fl_str_mv |
Context Adaptive Support Vector Machine: formalization and Remote Sensing Applications |
title |
Máquina de Vetores de Suporte Adaptativa ao Contexto: formalização e aplicações em Sensoriamento Remoto |
spellingShingle |
Máquina de Vetores de Suporte Adaptativa ao Contexto: formalização e aplicações em Sensoriamento Remoto Rogério Galante Negri |
title_short |
Máquina de Vetores de Suporte Adaptativa ao Contexto: formalização e aplicações em Sensoriamento Remoto |
title_full |
Máquina de Vetores de Suporte Adaptativa ao Contexto: formalização e aplicações em Sensoriamento Remoto |
title_fullStr |
Máquina de Vetores de Suporte Adaptativa ao Contexto: formalização e aplicações em Sensoriamento Remoto |
title_full_unstemmed |
Máquina de Vetores de Suporte Adaptativa ao Contexto: formalização e aplicações em Sensoriamento Remoto |
title_sort |
Máquina de Vetores de Suporte Adaptativa ao Contexto: formalização e aplicações em Sensoriamento Remoto |
author |
Rogério Galante Negri |
author_facet |
Rogério Galante Negri |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Luciano Vieira Dutra |
dc.contributor.advisor2.fl_str_mv |
Sidnei João Siqueira Sant'Anna |
dc.contributor.referee1.fl_str_mv |
Camilo Daleles Rennó |
dc.contributor.referee2.fl_str_mv |
Ana Carolina Lorena |
dc.contributor.referee3.fl_str_mv |
Gilson Alexandre Ostwald Pedro da Costa |
dc.contributor.referee4.fl_str_mv |
Clodoveu Augusto Davis Junior |
dc.contributor.author.fl_str_mv |
Rogério Galante Negri |
contributor_str_mv |
Luciano Vieira Dutra Sidnei João Siqueira Sant'Anna Camilo Daleles Rennó Ana Carolina Lorena Gilson Alexandre Ostwald Pedro da Costa Clodoveu Augusto Davis Junior |
dc.description.abstract.por.fl_txt_mv |
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. |
dc.description.abstract.eng.fl_txt_mv |
Several Remote Sensing studies have adopted the Support Vector Machine (SVM) method for image classification. Although the original formulation of this method does not incorporate contextual information, there are different proposals to incorporate this information on SVM classification. Usually, these proposals modify the SVM training phase or integrating SVM classifications using stochastic models. This study presents a new perspective on the development of contextual SVMs. The main concept of this new proposal is to displace the separation hyperplane, initially determined by the traditional SVM, for each pixel in the image. The hyperplane displacement is produced on basis of contextual information of each pixel and according to a contextualization submodel adopted. This work presents two contextualization submodels, called Repulsive and Translative. The Repulsive Submodel allows translational and rotational movements in order to adapt the separation hyperplane, while in the Translative submodel only movements in the hyperplane orthogonal direction are performed. Three case studies were conducted, where a comparison with SVM, SVM integrated to Iterated Concitional Modes (ICM) algorithm and to Mode Filter are made. While the first study deals with binary classification problems using simulated images, the second and third case studies consider the multiclass classification of Remote Sensing images from ALOS PALSAR and IKONOS MS-II sensors, respectively. The results show that the proposed method is able to produce classification results with similar accuracy to the others contextual methods considered in this study. However, the proposed method has an improved ability to preserve pointwise targets and edges between regions of different classes, when compared to the other contextual methods. |
description |
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. |
publishDate |
2013 |
dc.date.issued.fl_str_mv |
2013-08-01 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
status_str |
publishedVersion |
format |
doctoralThesis |
dc.identifier.uri.fl_str_mv |
http://urlib.net/sid.inpe.br/mtc-m19/2013/07.10.14.32 |
url |
http://urlib.net/sid.inpe.br/mtc-m19/2013/07.10.14.32 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Instituto Nacional de Pesquisas Espaciais (INPE) |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação do INPE em Computação Aplicada |
dc.publisher.initials.fl_str_mv |
INPE |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
Instituto Nacional de Pesquisas Espaciais (INPE) |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do INPE instname:Instituto Nacional de Pesquisas Espaciais (INPE) instacron:INPE |
reponame_str |
Biblioteca Digital de Teses e Dissertações do INPE |
collection |
Biblioteca Digital de Teses e Dissertações do INPE |
instname_str |
Instituto Nacional de Pesquisas Espaciais (INPE) |
instacron_str |
INPE |
institution |
INPE |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE) |
repository.mail.fl_str_mv |
|
publisher_program_txtF_mv |
Programa de Pós-Graduação do INPE em Computação Aplicada |
contributor_advisor1_txtF_mv |
Luciano Vieira Dutra |
_version_ |
1706809355457789952 |