Metody generacji i selekcji cech grafu w rozpoznawaniu zdjęć satelitarnych

• Autorzy: Czech W.

Warianty tytułu

EN

Methods for graph feature extraction in satellite photo recognition

• Języki publikacji: PL

Abstrakty

PL

W pracy tej przedstawiona została nowa metoda rozpoznawania zdjęć satelitarnych i lotniczych w oparciu o ich reprezentację w postaci grafów ważonych przekształcanych następnie na wektory cech za pomocą deskryptorów takich jak ważony współczynnik gronowania lub rozziew wag. Porównanie nowej metody z algorytmami bazującymi na czysto topologicznej reprezentacji cech obrazu pokazuje jej większą skuteczność w procesie rozpoznawania. Testy zostały przeprowadzone na zbiorach zdjęć satelitarnych uzyskanych przy pomocy programu Google Earth oraz z bazy CMU/VASC.

EN

This paper presents a new method for satellite photos recognition using weighted-graph-based representation and graph feature extraction taking advantage of such graph descriptors as weighted clustering coefficient and weight disparity. The tests were performed on groups of satellite photos of cities obtained via Google Earth. The comparison of the new method with pure topological approach proves its higher efficiency in recognition process.

Słowa kluczowe

PL

grafy ważone; porównywanie grafów; grafowa reprezentacja obrazu

• Wydawca: Sieć Badawcza Łukasiewicz - Instytut Elektrotechniki
• Czasopismo: Prace Instytutu Elektrotechniki
• Rocznik: 2009
• Tom: Z. 243
• Strony: 43--57
• Opis fizyczny: Bibliogr. 16 poz., rys.

Twórcy

autor

Czech W.

• Akademia Górniczo-Hutnicza. Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki. Katedra Informatyki,

Bibliografia

• 1. R. Albert, A. L. Barabasi: Statistical mechanics of complex networks. Reviews of modern physics, nr 1, vol. 74, 47-97, 2002.
• 2. S. Boccaletti, V. Latora, Y. Moreno, M. Chavez, D. U. Hwang: Complex networks: Structure and dynamics. Physics Reports, nr 4-5, vol. 424, 175-308, 2006.
• 3. P. Csemely, V. Agoston, S.Pongor: The efficiency of multi-target drugs: the network approach might help drug design. Trends in Pharmacological Sciences, vol. 26, 178-182, 2005.
• 4. M. A. Yildirim, K. I. Goh, M. E. Cusick, A. L. Barabasi, M. Vidal: Drug-target network. Nat Biotechnol, 1119-1126, 2007.
• 5. D. Gfeller, P. De Los Rios, A. Caflisch, F. Rao: Complex network analysis of free-energy landscapes. Proceedings of the National Academy of Sciences, nr 6, vol. 104, 1817, 2007
• 6. F. Luo, Y. Yang, J. Zhong, H. Gao, L. Khan, D. K. Thompson, J. Zhou: Constructing gene co-expression networks and predicting functions of unknown genes by random matrix theory. BMC bioinformatics, nr 1, vol. 8, 299, 2007.
• 7. L. Ralaivola, S. J. Swamidass, H. Saigo, P. Baldi: Graph kernels for chemical informatics. Neural networks, nr 8, vol. 18, 2005.
• 8. Graph-Based Representations in Pattern Recognition. Proc. Of 6th IAPR-TC-15 International Workshop, LNCS 4538, 2007.
• 9. K. R. Müller, S. Mika, G. Rätsh, K. Tsuda, B. Schölkopf: An Introduction to Kernel-Based Learning Algorithms. IEEE Transactions on neural networks, nr 2, vol. 12, 181-202.
• 10. Harris C., Stephens M.: A combined corner and edge detector. Alvey vision conference, vol. 15, 50, 1988.
• 11. D. J. Marchette: Random Graphs for Statistical Pattern Recognition. Wiley-Interscience, 2004.
• 12. R. C. Wilson, E. R. Hancock, B. Luo: Pattern Vectors from Algebraic Graph Theory. IEEE Transactions on Pattern Analysis and Machine Intelligence, nr 7, vol. 27, 1112-1124, 2005.
• 13. R. C. Wilson, E. R. Hancock, B. Luo: Spectral embedding of graphs. Pattern recognition, nr 10, vol.36, 2213-2230, 2003.
• 14. G. Kalna, D. J. Higham: Clustering coefficients for weighted networks. University of Strathclyde Mathematics Research report 3., 2006.
• 15. S. Gunter, H. Bunke: Validation indices for graph clustering. Pattern Recognition Letters, nr 8, vol. 24, 1107-1113, 2003.
• 16. F. R. K Chung: Spectral Graph Theory. CBMS Regional Conference Series in Mathematics, nr 92.