Wyniki wyszukiwania - BazTech

1

Nadzorowana detekcja tras komunikacyjnych z wykorzystaniem metod uczenia maszynowego

Krawiec K., Wyczałek I.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2006

|

Vol. 16

361--371

PL

W pracy opisujemy nową metodę wykrywania drogowych tras komunikacyjnych na zobrazowaniu lotniczym lub satelitarnym. Proponowana metoda ma charakter strukturalny i bazuje na koncepcji profilu, rozumianego jako lokalny jednowymiarowy przekrój (rzut) obrazu. Tak rozumiane profile podlegają analizie poprzez ekstrakcję z nich cech zorientowanych na dyskryminowanie punktów reprezentujących drogi od punktów reprezentujących inne obiekty widoczne w obrazie. Cechy analizowane w proponowanej metodzie dobrane zostały do charakterystyki szlaków komunikacyjnych (głównie podłużny kształt); należą do nich m.in. wzajemne podobieństwo blisko zlokalizowanych profili o tej samej orientacji (ciągłość) oraz symetria. Dla polepszenia precyzji, profile obliczane są z wykorzystaniem próbkowania podpunktowego (sub-pixel sampling). W dalszych etapach przetwarzania metoda wykorzystuje algorytmy uczenia maszynowego (machine learning), w szczególności nadzorowane uczenie się z przykładów. Algorytm uczący się z przykładów dysponuje uczącą próbką pikseli, dla których przynależność do klas decyzyjnych (droga, nie-droga) jest znana. Informacja ta może być wprowadzona przez decydenta (eksperta) poprzez zaznaczenie wybranego obszaru obrazu reprezentującego szlak komunikacyjny, lub pochodzić z odpowiedniego modułu systemu informacji przestrzennej. Algorytm uczenia maszynowego pozyskuje wiedzę ze zbioru uczącego w procesie uczenia indukcyjnego. Wiedza ta jest następnie stosowana do klasyfikowania pozostałych punktów obrazu, dla których informacja ucząca nie jest znana. Ponadto, ponieważ wiedza ta jest wyrażona w dogodnej postaci drzewa decyzyjnego, może być poddana analizie przez eksperta (i potencjalnie skorygowana). Poza prezentacją metody praca zawiera opis jej implementacji komputerowej oraz eksperymentu obliczeniowego przeprowadzonego na rzeczywistym zdjęciu lotniczym terenu zabudowanego. Otrzymane wyniki dowodzą skuteczności proponowanego algorytmu i wskazują na użyteczność podejścia wykorzystującego uczenie maszynowe do analizy zdjęć lotniczych i obrazów satelitarnych.

EN

This paper presents a novel method of road detection in aerial and satellite imaging. This structural method is based on the concept of profile, meant as a local one-dimensional cross-section (cast) of raster image. We acquire such profiles from the image at different orientation angles and extract from them features well discriminating road pixels from non-road pixels. In particular, we use feature definitions tailored to road characteristics (mostly elongation); these include, among others, mutual similarity of close and equally orientated profiles (road continuity) and symmetry. To improve the precision of analysis, the method computes profiles using sub-pixel sampling. The further part of processing relies on machine learning, in particular, on supervised learning from examples. The algorithm is given a training sample of pixels, for which the decision class assignment (road, non-road) is known. This information may be manually entered by a decision maker (expert) by marking image regions representing road fragments, or alternatively, it may be retrieved from an appropriate module of a geographical information system. Given that information, the algorithm acquires the knowledge from training examples, performing so-called “inductive” learning. That knowledge may be then used to classify the remaining image pixels, for which the decision class assignment is not known. Moreover, the knowledge may be inspected (and potentially corrected) by the decision maker, as it is expressed in a readable form of a decision tree. The paper presents the algorithm in detail, describes its computer implementation, and demonstrates its application to an aerial image of urban area. The obtained results demonstrate the good performance of the method and indicate the usefulness of machine learning approach in analysis of aerial and satellite imagery.

2

Evolutionary computation framework for learning from visual examples

Krawiec K.

Image Processing & Communications

|

2001

|

Vol. 7, no 3-4

85-96

EN

This paper investigates the use of evolutionary programming for the search of hypothesis space in visual learning tasks. The general goal of the project is to elaborate human-competitive procedures for pattern discrimination by means of learning based on the training data (set of images). In particular, the topic addressed here is the comparison between the "standard" genetic programming (as defined by Koza [13] and the genetic programming extended by local optimization of solutions, so-called genetic local search. The hypothesis formulated in the paper is that genetic local search provides better solutions (i.e. classifiers with higher predictive accuracy) than the genetic search without that extension. This supposition was positively verified in an extensive comparative experiment of visual learning concerning the recognition of handwritten characters.

3

Acquisition of diagnostic knowledge from databases of examples

Moczulski W.

Prace Naukowe Instytutu Górnictwa Politechniki Wrocławskiej. Konferencje

|

1999

|

Vol. 86, nr 24

190-197

EN

The diagnostics of machinery is nowadays aided by expert systems which require knowledge on the machine to be diagnosed. This knowledge may be acquired either from human experts or from databases containing examples. The paper deals with several methods of knowledge acquisition from examples. It addresses the whole range of problems starting from preparation of examples up to the verification and validation of the knowledge base which ends the proceeding. To acquire diagnostic knowledge from a dataset of examples we apply machine learning or knowledge discovery methods. We also describe a new method suitable for induction of rules which is especially useful in technical diagnostic of machinery where complex structure of a set of technical states often occurs. An example of the application of described methods for acquisition of diagnostic knowledge on rotating machinery is given, too.