USO DE DISTÂNCIAS ESTOCÁSTICAS PARA INDUÇÃO DE CLASSIFICADORES CONTEXTUAIS
|
|
- Fernanda Castilhos Rocha
- 5 Há anos
- Visualizações:
Transcrição
1 Presidente Prudente - SP, de julho de 2017 p USO DE DISTÂNCIAS ESTOCÁSTICAS PARA INDUÇÃO DE CLASSIFICADORES CONTEXTUAIS ROGÉRIO GALANTE NEGRI Universidade Estadual Paulista Unesp Instituto de Ciências e Tecnologia ICT Departamento de Engenharia Ambiental, São José dos Campos SP rogerio.negri@ict.unesp.br RESUMO - Métodos de classificação tradicionais realizam a identificação dos alvos distribuídos na imagem através da classificação individual de cada pixel de acordo com seu respectivo comportamento espectral. Tais métodos tornam-se incapazes de realizar classificações adequadas em determinados casos, como por exemplo, na presença de alta heterogeneidade nos dados. Nestas circunstâncias, a adoção de métodos de classificação contextuais torna-se uma alternativa. Dentre diferentes abordagens para obtenção de classificações contextuais, verifica-se que a integração de distâncias estocásticas em métodos conhecidos é uma alternativa viável, uma vez que tais distâncias permitem comparações diretas a respeito da tendência e variabilidade dos contextos dos pixels. Este trabalho apresenta adaptações, com uso de distâncias estocásticas, sobre os métodos Classificador de Mínima Distância, k-vizinhos Mais Próximos e Máquina de Vetores Suporte, tornando-os capazes de considerar a informação contextual no processo de classificação. Um estudo de caso sobre a classificação da cobertura do solo empregando uma imagem do satélite ALOS-PALSAR foi realizada a fim de comparar as diferentes versões contextuais dos métodos considerados. Os resultados indicam que a modelagem do contexto via distância estocástica é mais robusta em comparação à aplicação de técnicas de suavização sobre classificações não contextuais. Palavras chave: Distância estocástica, Classificação de imagens, Contexto, Acurácia. ABSTRACT - Traditional image classification methods perform the identification of targets through the individual classification of each pixel according to its spectral information. These methods become insatisfactory in certain cases, for example, when the data heterogeneity is high. Under this condition, the adoption of contextual classification methods is an alternative. Among different approaches for contextual classifications, the integration of stochastic distances into known methods is a viable alternative. Such distances allow comparisons on the trend and variability between contexts of pixels. This study deals with the inclusion of stochastic distances in the Minimum Distance Classifier, k-nearest Neighbors and Support Vector Machine formulation as a way to consider the contextual information in such methods. A case study about land cover classification using ALOS-PALSAR image was carried out to compare the different contextual versions of the above mentioned methods. The results suggest that stochastic distances is more robust to model the contextual information in comparison to the use of smoothing techniques in non-contextual classification results. Key words: Stochastic distances, Image classification, Context, Accuracy. 1 INTRODUÇÃO O processo de classificação de imagens de sensoriamento remoto consiste na extração de informação dos pixels a fim de identificar automaticamente diferentes classes temáticas (KHEDAN et al., 2003). Este processo é geralmente realizado com uso de métodos de classificação baseados em pixel. Tais métodos realizam a classificação da imagem através da classificação individual de cada um dos pixels com base nos respectivos comportamentos espectrais. No entanto, com o avanço tecnológico e lançamento de novos sensores capazes de adquirir imagens com altas resoluções espaciais e espectrais, a abordagem de classificação baseada em pixel passa a ser insatisfatória em determinados casos (BESBES et al., 2009). Uma alternativa em tais casos é a adoção de procedimentos de classificação contextual. Nestes procedimentos, a informação do contexto, expressa em termos de relação espacial entre os pixels e suas respectivas vizinhanças, é incorporada no processo de classificação (GURNEY & TOWNSEND, 1983).
2 Segundo Mather (2004), uma forma simples de realizar classificações contextuais consiste na aplicação do filtro da moda sobre os rótulos gerados por um procedimento de classificação baseada em pixels. Outras formas de incluir a informação contextual no processo de classificação é feita com a incorporação de modelos baseados na teoria de Campos Markovianos Aleatórios ou mesmo pela proposição de métodos nativamente contextuais. Além da aplicação de filtros para suavização de resultados de classificação, adoção de conceitos markovianos ou desenvolvimento de métodos propriamente contextuais, existe ainda a possibilidade de adaptar métodos já existentes na literatura a fim de incorporar o contexto no processo de treinamento e classificação. O uso de distâncias estocásticas mostra-se como uma alternativa para modelagem e inclusão do contexto em métodos de classificação baseados em pixel. Tais distâncias permitem comparar simultaneamente as tendências e variabilidades estatísticas entre os contextos de cada pixel durante o processo de classificação. Este trabalho consiste em adaptar a formulação de métodos conhecidos e difundidos na literatura a fim de incluir a informação contextual e a respectiva modelagem por meio do conceito de distância estocástica. Visando a comparação entre métodos baseados em pixel e contextuais, foi realizado um estudo de caso sobre a classificação da cobertura do solo em uma região da Floresta Amazônica, fazendo uso de uma imagem proveniente do sensor PALSAR, a bordo do satélite ALOS. Versões contextuais obtidas pela adaptação de distância estocástica na formulação de métodos baseados em pixel ou pela aplicação de técnicas de suavização foram incluídas nesta comparação. 2 CLASSIFICAÇÃO, CONTEXTO E DISTÂNCIAS ESTOCÁSTICAS vizinhança e é uma distância adotada. Nestas condições, define-se por contexto de o conjunto de vetores de atributos, tal que e. Os diferentes métodos de classificação de imagem propostos na literatura podem ser entendidos como maneiras distintas de modelar a função e aplicá-la na classificação de. Para os métodos cujo aprendizado é supervisionado, são utilizadas informações disponíveis em um conjunto de treinamento com. O mapeamento entre e definido por representa o conhecimento adquirido das informações observadas em. 2.2 Distâncias estocásticas de Bathacharrya e Jeffries- Matusita As distâncias estocásticas são provenientes das medidas de Informação e Entropia, presentes na Teoria da Informação formulada por Shannon (1948). Este tipo de distância quantifica a separabilidade entre dois conjuntos de informação mediante as dissimilaridades entre as distribuições de probabilidade que modelam a informação de tais conjuntos. A distância Jeffries-Matusita é usualmente empregada nas aplicações envolvendo processamento de imagens de sensoriamento remoto. Considerando e dois conjuntos de informação distintos e que tais informações podem ser modeladas segundo a distribuição Gaussiana Multivariada, a distância é dada por (RICHARDS & XIUPING, 2005): [ ] (1) onde é a distância estocástica de Bathacharrya, cuja expressão é: 2.1 Breve formalização sobre classificação de imagens e contexto Um classificador é representado por uma função, que associa elementos do espaço de atributos a uma das classes de, com, a partir de um dado rótulo (indicador) de classe em. Nestas condições, para e, indica que pertence à classe. Admitindo a abordagem baseada em pixel, a classificação de imagens consiste na aplicação de sobre os vetores de atributos de cada pixel que compõem uma dada imagem, definida sobre um reticulado (suporte), cujo resultado de classificação pode ser denotado por. Com relação à imagem em que é conduzido o processo de classificação, denota que o pixel de possui atributos representados por. Ainda, as posições ocupadas pelos vizinhos de pertencem ao conjunto, sendo denominado por raio de influência da [ [ onde e correspondem ao vetor média e a matriz de covariância estimados a partir das informações de. Tal definição segue análoga para e. 3 ADAPTAÇÕES CONTEXTUAIS VIA DISTÂNCIAS ESTOCÁSTICAS Uma maneira direta de considerar a informação da vizinhança em um processo de classificação contextual é admitir tal vizinhança como um único padrão. Desta forma, os padrões passam a não ser mais representados por vetores, como definido na Seção 2.1, mas sim pela própria vizinhança. (2)
3 Nas subseções seguintes são apresentadas breves discussões, e respectivas adaptações contextuais, sobre os métodos Classificador de Mínima Distância de Mahalanobis (CMDM), K-Vizinhos Mais Próximos (KNN) e Máquina de Vetores Suporte (Support Vector Machine SVM). 3.1 CMDM A regra de decisão que caracteriza o método CMDM e realiza a classificação de um dado padrão segundo a classe é expressa por: (3) ( ) sendo a distância euclidiana e uma nova indexação dos padrões de em função da proximidade à. De modo semelhante à adaptação realizada na seção anterior, o método KNN é adaptado ao contexto por meio da troca de pela distância de Bathacharrya. Para isso, as Equações (5) e (6) são reescritas por: { } (6) (7) onde é a distância de Mahalanobis entre o padrão e, que representa o subconjunto de padrões de cujos respectivos identificadores de classe são iguais a. Maiores detalhes sobre a distância de Mahalanobis são encontrados em Theodoridis e Koutroumbas (2009). De modo simples, a adaptação do método CMDM em uma versão contextual é realizada com a substituição de presente em (3) pela distância de Bathacharrya definida em (2), resultando em: (4) onde, conforme definido anteriormente, é o conjunto de padrões no contexto de. Apesar deste conjunto, por definição, conter apenas as posições dos padrões sobre o suporte da imagem, será considerado, sem perda de generalidade, que tal conjunto contém os padrões que estão associados a tais posições do suporte. A fim de generalizar a denominação sobre o Classificador de Mínima Distância, seja ele com uso da distância de Mahalanobis ou uma distância estocástica qualquer, será adotado o acrônimo CMD. A distância empregada no método ficará implícita diante da abordagem de classificação, isto é, insensível ou sensível ao contexto. 3.2 KNN O método KNN consiste em realizar a classificação de um padrão cujo rótulo é desconhecido a partir das maiores similaridades entre tal padrão e os padrões existentes em um dado conjunto de treinamento. Na formulação original deste método, a similaridade é representada pelo inverso da distância euclidiana. Uma maneira formal de expressar tal método é: {( ) } onde é o conjunto dos elementos em que são mais próximos de. Tal conjunto pode ser expresso por: (5) ( ) 3.3 SVM SVM é um método de classificação que tem se tornado cada vez mais popular nas pesquisas em sensoriamento remoto. Este método consiste em realizar a separação entre amostras de treinamento a partir de um hiperplano que possui maior margem de separação. Tal hiperplano corresponde ao lugar geométrico onde a seguinte função é nula: (8) (9) sendo o vetor ortogonal ao hiperplano e a distância entre o hiperplano e a origem do espaço de atributos. denota o produto interno entre vetores. A determinação de e é realizada mediante a resolução de um problema de otimização construído em função dos elementos em. Maiores detalhes a respeito do processo de treinamento do método SVM podem ser encontrados em Webb (2002). A Equação (9) consiste em um hiperplano de separação definido no espaço de atributo original dos dados. O mapeamento dos padrões envolvidos no processo de classificação, entre o espaço de atributos original e um novo espaço de atributos é uma estratégia usualmente empregada para aumentar a acurácia do método SVM. Tal mapeamento e classificação em outro espaço de atributos podem ser realizados de forma implícita através do emprego de funções kernel, as quais substituem o produto interno presente nesta equação e no problema de otimização que caracteriza o treinamento do método. Além efetuar o mapeamento dos padrões no espaço de atributos original para outros espaços, as funções kernel permitem generalizar a aplicação do método SVM, ou quaisquer método baseado em kernel, sobre padrões não vetoriais. Em particular, a seguinte função kernel possibilita tratar o contexto como um padrão específico.
4 ( ) ( ( ) ) (10) onde é a distância Jeffries-Matusita. A constante é adicionada com finalidade de garantir estabilidade numérica. Quando adotada no SVM, esta função kernel insere indiretamente a informação contextual no processo de treinamento e classificação. 4 EXPERIMENTOS E RESULTADOS Esta seção apresenta um estudo de caso sobre a classificação da cobertura do solo em uma região localizada no entorno da Floresta Nacional do Tapajós, no estado do Pará. Tal estudo tem a finalidade de comparar o desempenho das diferentes versões contextuais dos métodos CMD, KNN e SVM, cuja sensibilidade ao contexto foi inserida por meio de distâncias estocásticas, conforme apresentado nas subseções 3.1, 3.2 e 3.3. As respectivas versões insensíveis ao contexto são inseridas neste estudo por motivo de comparação. Adicionalmente, as suavizações dos resultados obtidos pelas versões insensíveis ao contexto através da aplicação do filtro da moda foram também incluídas nas comparações. Uma imagem obtida em setembro de 2009, pelo sensor PALSAR abordo do satélite ALOS, foi empregado neste estudo. Tal imagem possui 20 m de resolução, dimensão de pixels e informação dos alvos segundo as polarizações HH e HV em amplitude. Dentre os diferentes tipos de cobertura do solo existentes na cena, foram considerados apenas áreas de Floresta Primária, Pastagem, Solo Exposto e Agricultura. Estas informações foram obtidas a partir de um levantamento de campo realizado no mesmo mês e ano da imagem adotada. A Figura 1 ilustra a imagem empregada no estudo juntamente com a distribuição espacial das amostras dos tipos de cobertura do solo considerados, distinguidas dentre amostras para treinamento (polígonos sólidos) dos classificadores e para teste/avaliação (polígonos vazios) dos resultados. As quantidades de pixels que compreendem as amostras de treinamento e teste são apresentadas no Quadro 1. Para caracterização da vizinhança, foi feito o emprego da distância do máximo (vide Subseção 2.1) e dos valores 1, 2 e 3 como raio de influência de vizinhança, os quais definem por sua vez janelas espaciais de dimensão, e, respectivamente. Tais vizinhanças foram consideradas pelas versões contextuais dos métodos CMD, KNN e SVM assim como pelo filtro da moda, aplicado com a finalidade de suavizar os resultados não contextuais dos métodos analisados. Além do raio de influência da vizinhança, os métodos KNN e SVM requerem o ajuste de determinados parâmetros. A fim de garantir a seleção adequada dos parâmetros e evitar que um ajuste inadequado prejudique os resultados e conclusões deste estudo, foi realizado um procedimento de busca sistemática pela melhor configuração de parâmetros. Figura 1 Imagem ALOS-PALSAR, em composição HHHVVV, e amostras utilizadas no treinamento (polígonos sólidos) e cálculo da acurácia (polígonos vazios) dos métodos analisados. Classe Cor Treino Teste (#pixels) (#pixels) Floresta Pastagem Solo Exposto Agricultura Tabela 1 Amostras de cobertura do solo localizadas na área de estudo, conforme ilustrado na Figura 1. Após a busca sistemática pelos melhores parâmetros, foi verificado que bons resultados são fornecidos pelo método KNN quando o número de vizinhos mais próximos, representado pelo parâmetro, é igual a. Com relação ao método SVM, quando o contexto não é considerado no processo de treinamento e classificação, foram alcançados bons ajustes ao adotar a função kernel RBF (Radial Basis function) com parâmetro de flexibilização equivalente a e penalidade igual a (i.e., e ). Por outro lado, foi verificado que o valor do parâmetro de flexibilização igual a e penalidade igual a proporcionam bons ajustes quando a função kernel dada na Equação (10) é empregada. Para lidar com a classificação de múltiplas classes (i.e., as quatro classes consideradas no estudo de caso), a estratégia Um-Contra-Todos foi empregada em ambos casos, isto é, contextual e insensível ao contexto. Com a finalidade de mensurar a acurácia dos resultados de classificação proporcionados pelos diferentes métodos, seja diante a consideração ou não do contexto, foi feito uso do Coeficiente de Concordância kappa e seu desvio padrão (Congalton & Green, 2009). Os valores de acurácia destes resultados de classificação foram computados com base nas amostras de teste ilustradas na Figura 1. A linguagem de programação IDL 7.1 foi adotada na implementação dos métodos, avaliação dos resultados e demais funções necessárias para realização deste estudo.
5 Figura 2 Desempenho dos métodos considerados no estudo de caso. Barras de erro representam desvios padrão. Diante do conjunto de dados, composto pela imagem ALOS-PALSAR e respectivas amostras de treinamento e teste, e das implementações dos diferentes métodos considerados neste estudo, foram obtidos diferentes resultados de classificação. Uma vez considerados três métodos distintos (CMD, KNN e SVM), duas formas de modelagem do contexto (suavização via filtragem pela moda e adoção de distâncias estocásticas) e três valores de raio de influência da vizinhança (i.e., e, proporcionando janelas espaciais de dimensão e ), foram obtidos ao fim resultados de classificação contextual. Classificações insensíveis ao contexto foram incluídas no estudo com finalidade de definir referenciais de comparação. O gráfico da Figura 2 permite uma comparação mútua, envolvendo os diferentes métodos, formas de modelagem de contexto e raios de influência, além dos resultados insensíveis ao contexto. As barras de erro quantificam três desvios padrão entorno do respectivo valor de coeficiente kappa calculado. De acordo com os resultados obtidos, é possível verificar que todos os resultados de classificação com abordagem contextual proporcionam maior exatidão em comparação aos resultados insensíveis ao contexto. As classificações insensíveis ao contexto são identificadas pelas linhas horizontais no gráfico da Figura 2, cujos resultados são inferiores quando comparado com qualquer resultado contextual. Dentre os três métodos observados, SVM, seguido pelo KNN, alcançaram maiores índices de exatidão. Em um segundo momento, é evidente a melhora nos índices de acurácia em função do aumento do raio de influência da vizinhança. Uma vez que a vizinhança aumenta, a classificação contextual de cada pixel converge para a tendência central desta vizinhança. Ao comparar as modelagens do contexto abordadas neste estudo, verifica-se que o uso de distâncias estocásticas proporcionam maiores índices de acurácia independente do método de classificação considerado. Com finalidade de comprovar a diferença estatística entre resultados de classificação, foram realizados testes de hipóteses bilaterais, com significância de, para comparação entre os diferentes valores de kappa obtidos. Dentre os resultados observados, não foram verificadas diferenças entre os métodos CMD e KNN nos casos em que os contextos foram modelados com distância estocástica e raio de influência da vizinhança igual a 1 comparado ao uso do filtro da moda e raio 3; ou ambos com uso de distância estocástica e raio 1, respectivamente. Foram ainda identificadas equivalências estatísticas entre os métodos KNN e SVM, neste caso, quando ambos utilizam filtro da moda de raio 1; ou raio 2 para o método KNN e 3 para SVM. Ainda, são equivalentes as classificações contextuais obtidas pelo SVM quando empregado o filtro da moda de raio 2 e distância estocástica de raio 1. Este resultado indica maior robustez quanto ao uso de distâncias estocásticas em comparação a técnica de suavização, já que menores vizinhanças são exigidas para proporcionar resultados equivalentes. Dentre todos os métodos de classificação considerados e formas de modelagem do contexto, cabe observar que o método SVM com adoção de distâncias estocásticas para modelagem do contexto proporcionou maiores índices de exatidão. No entanto, resultados com acurácias comparáveis foram alcançadas pelo método CMD, o qual não exigiu o ajuste de parâmetros. Por fim, a Figura 3 apresenta parte dos resultados de classificação obtidos neste estudo de caso. É evidente a regularização dos resultados de classificação, e logo, superioridade dos índices de acurácia atingidos por resultados contextuais em comparação às classificações insensíveis ao contexto. Resultados contextuais modelados via distância estocástica permitem melhor caracterização de determinados alvos, como por exemplo, pastagem e agricultura, justificando por sua vez os maiores índices de acurácia em comparação a contextualização pela aplicação do filtro da moda. O melhor equilíbrio quanto à identificação das classes é proporcionado pelo método SVM.
6 5 CONCLUSÕES Este trabalho consistiu em adaptar a formulação dos métodos CMD, KNN e SVM a fim de incluir a informação do contexto no processo de treinamento e classificação. A inclusão e modelagem do contexto nestes métodos foram realizadas através de distância estocástica. Foram efetuadas comparações com resultados obtidos pelas versões originais e contextualizados via suavização através de um estudo de caso sobre a classificação da cobertura do solo em uma imagem obtida pelo satélite ALOS-PALSAR sobre uma região no entorno da Floresta Nacional do Tapajós. Os resultados obtidos apontam que a modelagem do contexto via distância estocástica é mais robusta em comparação a suavização de classificações através da aplicação do filtro da moda. Dentre os três métodos analisados, os maiores índices de acurácia foram proporcionados pelo método SVM. Como perspectivas futuras, devem ser analisados: o impacto de maiores raios de influência da vizinhança, a adoção de outras distâncias estocásticas e a análise sobre a precisão de classificação sobre as bordas dos alvos. Figura 3 Classificações obtidas no estudo de caso pelos diferentes métodos analisados. Apenas vizinhanças espaciais de dimensão foram consideradas nesta representação. AGRADECIMENTOS O autor agradece à FAPESP (proc. 2014/ ) pelo auxílio financeiro. REFERÊNCIAS BESBES, O.; BOUJEMAA, N.; BELHADJ, Z. Contextual Classification of High-Resolution Satellite Images. IEEE Symposium on Computational Intelligence for Image Processing, p , CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data. CRC Press, 2009, 183p. GURNEY, C. M.; TOWNSEND, J. R. G. The use of contextual information in the classification of remotely
7 sensed data. Photogrammetric Engineering and Remote Sensing, p , KHEDAM, R.; BELHADJ-AISSA, A.; RANCHIN, T. Study of ICM parameters influence on images satellite contextual classification. European Association of Remote Sensing Laboratories, p , MATHER, P. M. Computer Processing of Remotely- Sensed Images: An Introduction. John Wiley & Sons, RICHARDS, J. A.; XIUPING, J. Remote Sensing Digital Image Analysis: An Introduction. Springer, SHANNON, C. E. A mathematical theory of communication. Bell System Technical Journal, v. 27, THEODORIDIS, S.; KOUTROUMBAS, K. Pattern Recognition. Academic Press, 2008, 984p. WEBB, A. R. Statistical Pattern Recognition. John Wiley & Sons, 2002, 514p.
APLICAÇÃO DE UM MÉTODO FUNDAMENTADO EM GRAFO E DISTÂNCIAS ESTOCÁSTICAS NA CLASSIFICAÇÃO BASEADA EM REGIÕES
APLICAÇÃO DE UM MÉTODO FUNDAMENTADO EM GRAFO E DISTÂNCIAS ESTOCÁSTICAS NA CLASSIFICAÇÃO BASEADA EM REGIÕES Rogério Galante Negri 1 Luciano Vieira Dutra 2 Tatiana Sussel Gonçalves Mendes 1 1 Universidade
Leia maisPROPOSTA DE UMA MEDIDA PARA AVALIAÇÃO DE CLASSIFICAÇÃO EM BORDAS. Rogério Galante Negri 1 Luciano Vieira Dutra 2 Sidnei João Siqueira Sant Anna 2
PROPOSTA DE UMA MEDIDA PARA AVALIAÇÃO DE CLASSIFICAÇÃO EM BORDAS Rogério Galante Negri 1 Luciano Vieira Dutra 2 Sidnei João Siqueira Sant Anna 2 1 Universidade Estadual Paulista UNESP Instituto de Ciência
Leia maisClassificação da cobertura da terra na Amazônia utilizando Imagens Polarimétricas em Banda L e Maquina de Vetores Suporte
Classificação da cobertura da terra na Amazônia utilizando Imagens Polarimétricas em Banda L e Maquina de Vetores Suporte Rogério Galante Negri Luciano Vieira Dutra Corina da Costa Freitas Graziela Balda
Leia maisAvaliação de métodos de classificação por regiões em imagens de alta resolução do sensor Rapideye
Avaliação de métodos de classificação por regiões em imagens de alta resolução do sensor Rapideye Luiz Felipe Parente Santiago *a, Wagner Barreto da Silva b a 4º Centro de Geoinformação (4º CGEO) Avenida
Leia maisAnálise comparativa dos métodos de classificação SVM e Maxver-ICM Polarimétrico em imagem de radar ALOS PALSAR
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.8223 Análise comparativa dos métodos de classificação SVM e Maxver-ICM Polarimétrico
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/28 Conteúdo programático: Capitulo 1: Conceitos
Leia maisCampus de Presidente Prudente PROGRAMA DE ENSINO. Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Semestre Código Ano Letivo Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO ( x ) DOUTORADO
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 13 K-Nearest Neighbor (KNN) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia maisPROGRAMA DE ENSINO. 3 quadrimestre Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Código Semestre Ano Letivo 3 quadrimestre 2018 Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO
Leia maisIMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES
IMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES RAFAEL COLL DELGADO 1 ; GILBERTO CHOHAKU SEDIYAMA 2 ; EVALDO DE PAIVA LIMA 3, RICARDO GUIMARÃES ANDRADE 4
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Leia maisMapeamento do uso da terra baseado em imagem Ikonos II com a utilização de algoritmos classificadores por pixels e por regiões
Mapeamento do uso da terra baseado em imagem Ikonos II com a utilização de algoritmos classificadores por pixels e por regiões Luís Eduardo Ribeiro de Mendonça 1 Vicente Paulo Soares 1 José Marinaldo Gleriani
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisAVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO SUPERVISIONADA DE IMAGEM DIGITAL DO SATÉLITE IKONOS NA REGIÃO DA SERRA DO SALITRE - MG
AVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO SUPERVISIONADA DE IMAGEM DIGITAL DO SATÉLITE IKONOS NA REGIÃO DA SERRA DO SALITRE - MG Julierme Wagner da Penha Universidade Federal de Viçosa UFV juliermewagner@yahoo.com.br
Leia maisSensoriamento Remoto
LABORATÓRIOS DIDÁTICOS DE GEOPROCESSAMENTO Sensoriamento Remoto Classificação Supervisionada de Imagens de Sensoriamento Remoto Elaboração: Cláudia Soares Machado Mariana Giannotti Rafael Walter de Albuquerque
Leia mais5 Experimentos Corpus
5 Experimentos 5.1. Corpus A palavra corpus significa corpo em latim. No contexto de Aprendizado de Máquina, corpus se refere a um conjunto de dados utilizados para experimentação e validação de modelos.
Leia maisAvaliação de algoritmos de classificação supervisionada para imagens do Cbers-2 da Região do Parque Estadual do Rio Doce-MG
Avaliação de algoritmos de classificação supervisionada para imagens do Cbers-2 da Região do Parque Estadual do Rio Doce-MG Mayra Luíza Marques da Silva 1 Geraldo Paulino Marques Pereira 2 1 Universidade
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisINSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS SER-300: INTRODUÇÃO AO GEOPROCESSAMENTO Laboratório II: Cartografia em GIS/Registro
Leia maisAvaliação das imagens polarimétricas da simulação MAPSAR para classificação de uso/ocupação do solo na região da Floresta Nacional do Tapajós.
Avaliação das imagens polarimétricas da simulação MAPSAR para classificação de uso/ocupação do solo na região da Floresta Nacional do Tapaós. Luciano Vieira Dutra Antonio Henrique Correia José Cláudio
Leia maisClassificação orientada objeto de imagem de alta resolução para modelagem hidrológica em sub-bacias do Alto Rio Grande
Classificação orientada objeto de imagem de alta resolução para modelagem hidrológica em sub-bacias do Alto Rio Grande Gil Júlio de Souza Netto 1 Luís Marcelo Tavares de Carvalho 2 Malcon do Prado Costa
Leia maisAvaliação de métodos de classificação de imagens IKONOS para o mapeamento da cobertura terrestre
Avaliação de métodos de classificação de imagens IKONOS para o mapeamento da cobertura terrestre Regiane Maria Paes Ribeiro 1 Vicente Paulo Soares 2 Carlos Antônio Oliveira Vieira 2 1 Agência Nacional
Leia maisObjetivos. 1. O método desenvolvido usa características de pares de pixeis para fazer estatísticas e formar
Introdução Comidas podem apresentar deformações e variações em sua forma, além de conter muitos ingredientes, nem todos visíveis; Métodos tradicionais de reconhecimento requerem a detecção de características
Leia maisMapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
Leia maisPROGRAMA DE ENSINO. Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Semestre Código Ano Letivo Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO ( x ) DOUTORADO
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisCLASSIFICAÇÃO SUPERVISIONADA EM IMAGEM ALOS PARA O MAPEAMENTO DE ARROZ IRRIGADO NO MUNICÍPIO DE MASSARANDUBA SC
p. 001-007 CLASSIFICAÇÃO SUPERVISIONADA EM IMAGEM ALOS PARA O MAPEAMENTO DE ARROZ IRRIGADO NO MUNICÍPIO DE MASSARANDUBA SC RAPHAEL SOUZA RIBEIRO DENILSON DORTZBACH. JUAN ANTÔNIO ALTAMIRANO FLORES Universidade
Leia maisAvaliação da influência do número de amostras de treinamento no índice Kappa
Avaliação da influência do número de amostras de treinamento no índice Kappa Maola Monique Faria 1 Ligia Tavares de Souza 1 Elpidio Inácio Fernandes Filho 1 Márcio Rocha Francelino 1 1 Universidade Federal
Leia maisObservação da influência do uso de séries temporais no mapeamento de formações campestres nativas e pastagens cultivadas no Cerrado brasileiro
Observação da influência do uso de séries temporais no mapeamento de formações campestres nativas e pastagens cultivadas no Cerrado brasileiro Wanderson Santos Costa Trabalho do curso de Introdução ao
Leia maisAvaliação de métodos de classificação em ortofotocartas digitais para identificação do uso e ocupação do solo
Avaliação de métodos de classificação em ortofotocartas digitais para identificação do uso e ocupação do solo Gesner Cardoso Porfírio 1 Giovanni de Araujo Boggione 1 1 Centro Federal de Educação Tecnológica
Leia maisSegmentação e Classificação. Prof. Herondino
Segmentação e Classificação Prof. Herondino Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels"
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia maisClassificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo
Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações
Leia maisCOMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA
COMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA Rodrigo Moura Pereira¹ (UEG) Gustavo Henrique Mendes
Leia maisUNIVERSIDADE FEDERAL DO PARÁ PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO DIRETORIA DE PESQUISA
UNIVERSIDADE FEDERAL DO PARÁ PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO DIRETORIA DE PESQUISA PROGRAMA INSTITUCIONAL DE BOLSAS DE INICIAÇÃO CIENTÍFICA PIBIC : CNPq, CNPq/AF, UFPA, UFPA/AF, PIBIC/INTERIOR,
Leia maisClassificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aline Dartora Prof. David Menotti Departamento de Informática Universidade Federal do Paraná (UFPR) 23 de outubro
Leia maisF- Classificação. Banda A
F- Classificação Classificação Digital é associar determinado pixel a determinada categoria por meio de critérios estatísticos Banda B? da d b dc Espaço dos Atributos Classes Banda A Classificação: ordenar,
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Leia maisO Kappa está morto? Uma discussão sobre índices baseados em matrizes de confusão. Camilo Daleles Rennó
O Kappa está morto? Uma discussão sobre índices baseados em matrizes de confusão Camilo Daleles Rennó DPI-GEO-REFERATA São José dos Campos, 16 de setembro de 2015 Pontius X Congalton Congalton, R. G.;
Leia maisMapeamento da cobertura da terra na Floresta Nacional de Tapajós PA utilizando imagem de coerência polarimétrica
Mapeamento da cobertura da terra na Floresta Nacional de Tapaós PA utilizando imagem de coerência polarimétrica Graziela Balda Scofield Luciano Vieira Dutra Daniel Luis Andrade Silva, Rogério Galante Negri
Leia maisCorreção do fenômeno NODATA na transformação de 16 para 8 bits em imagens QuickBird.
Correção do fenômeno NODATA na transformação de 16 para 8 bits em imagens QuickBird. Rodrigo Aparecido Domingues Melquiades 1 Camila Souza dos Anjos 1 Luciana Arantes dos Santos 1 1 Imagem Soluções de
Leia mais10º Congresso Interinstitucional de Iniciação Científica CIIC a 04 de agosto de 2016 Campinas, São Paulo ISBN
Um Estudo de Descritores e Classificadores para Reconhecimento de Bagas de Café Pedro Henrique Ferreira Stringhini 1 ; Thiago Teixeira Santos 2 Nº 16605 RESUMO Métodos de reconhecimento de frutos baseados
Leia maisDesertWatch Extension to Portuguese Partners
DesertWatch Extension to Portuguese Partners 2009 Critical Software S.A. Ocupação do Solo Resumo Objectivos Ocupação do Solo Áreas de Estudo Nomenclatura DW-E Dados de Observação da Terra Comparação dos
Leia maisExtração de atributos usando o método LBP - Local Binary Pattern
Extração de atributos usando o método LBP - Local Binary Pattern Lia Nara Balta Quinta. 2 de maio de 2006 1 Antecedentes e Justificativa O Brasil possui, atualmente, um grande rebanho bovino, porém em
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Avaliação de Classificação
Estatística: Aplicação ao Sensoriamento Remoto SER 204 - ANO 2018 Avaliação de Classificação Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Classificação e Incerteza
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisClassificação de imagens pelo método de Árvore de Decisão Oblíqua
Anais XV pósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 20, INPE p.4255 Classificação de imagens pelo método de Árvore de Decisão Oblíqua Ivo Paixão
Leia maisClassificação de imagens SAR de Machadinho d'oeste RO em ambiente distribuído
Classificação de imagens SAR de Machadinho d'oeste RO em ambiente distribuído Thalita Biazzuz Veronese 1 Maurício Pozzobon Martins 2 Lamartine Nogueira Frutuoso Guimarães 2 1 Instituto Nacional de Pesquisas
Leia maisCLASSIFICAÇÃO MULTIESPECTRAIS
CLASSIFICAÇÃO EM IMAGENS MULTIESPECTRAIS Classificação em imagens multiespectrais Imagens multiespectrais Padrão (vetor) Espaço de atributos Classificação Classificação em imagens multiespectrais Imagens
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo (knn) Um algoritmo supervisionado usado para classificar
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisComparação entre o uso de filtros e classificadores em uma imagem de radar, em ambiente SPRING
Comparação entre o uso de filtros e classificadores em uma imagem de radar, em ambiente SPRING Taís Virgínia Gottardo 1 Carlos Antônio Oliveira Vieira 1 1 Universidade Federal de Viçosa - UFV Departamento
Leia mais4 Método Proposto CR AD PA NDVI Descrição geral do modelo
34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a
Leia maisAUTENTICAÇÃO DE IMPRESSÕES DIGITAIS
AUTENTICAÇÃO DE IMPRESSÕES DIGITAIS Felipe Negreiros Pedrosa- IC Aluno de graduação do curso de Eng. de Computação do Instituto Tecnológico de Aeronáutica Bolsista PIBIC-CNPQ; Brasil; e-mail: felipe.pedrosa@gmail.com
Leia maisImplementação de Kernel Customizado Aplicado à Análise de Sentimentos em Resenhas de Filmes
Implementação de Kernel Customizado Aplicado à Análise de Sentimentos em Resenhas de Filmes Luciana Kayo e Paulo Mei Prof. Dr. Marco Dimas Gubitoso Introdução Inspiração na competição When Bag of Words
Leia maisFusão de Dados: A Nova Tendência em Processamento Digital de Imagens
Fusão de Dados: A Nova Tendência em Processamento Digital de Imagens CAMILA SOUZA DOS ANJOS LACERDA IFSULDEMINAS Campus Inconfidentes Roteiro Introdução Objetivos Conceituação Resolution Merge / Pan Sharpen
Leia maisMáquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Introdução * Método supervisionado de aprendizagem de máquina * Empregado em classificação de dados Classificação binária
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.5. Support Vector Machines 2.5. Support Vector Machines (SVM) 2.5.2.
Leia mais4 Construção dos Classificadores
4 Construção dos Classificadores 4.1. Modelagem O aprendizado supervisionado contém a etapa de modelagem, nessa etapa definimos quais serão as características encaminhadas ao classificador para o treinamento.
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisDisciplina. RDF Metodologias para a Análise Cinemática do Movimento Humano. Encontro 4
Disciplina RDF5714-1 - Metodologias para a Análise Cinemática do Movimento Humano Encontro 4 Paulo Roberto Pereira Santiago Mensurar o erro do estudo (Acurácia) MATEMÁTICA: valor absoluto da diferença
Leia maisQuestões concursos
Questões concursos Grandezas radiométricas Índices de vegetação Classificação Concurso Público para Pesquisador do IMB Instituto Mauro Borges de Estatísticas e Estudos Socioeconômicos 25. A
Leia maisFace Descrip+on with Local Binary Pa6erns: Applica+on to Face Recogni+on JULIANO RAMOS LUANN LUNA
Face Descrip+on with Local Binary Pa6erns: Applica+on to Face Recogni+on JULIANO RAMOS LUANN LUNA Introdução O ar%go visa criar uma abordagem para o problema de reconhecimento de face: i.e.: Dada uma face,
Leia mais2 Reconhecimento Facial
2 Reconhecimento Facial Em termos gerais, o reconhecimento facial é o processo pelo qual se mede o grau de similaridade entre duas imagens faciais com o proposito de identificar a um indivíduo ou de verificar
Leia maisAvaliação de métodos de classificação para o mapeamento de remanescentes florestais a partir de imagens HRC/CBERS
http://dx.doi.org/10.12702/viii.simposfloresta.2014.131-592-1 Avaliação de métodos de classificação para o mapeamento de remanescentes florestais a partir de imagens HRC/CBERS Juliana Tramontina 1, Elisiane
Leia maisPalavras-Chave: Gráficos de Controle Especiais, Geoestatística.
Estudo de Cartas Especiais e Geoestatística no Controle Estatístico de Processos Bruna Fernanda Viotto Oliveira¹ Edilson Ferreira Flores² RESUMO O presente estudo teve como objetivo explorar as técnicas
Leia maisAnais 2º Simpósio de Geotecnologias no Pantanal, Corumbá, 7-11 novembro 2009, Embrapa Informática Agropecuária/INPE, p
Avaliação da acurácia dos classificadores de máxima verossimilhança, mínima distância euclidiana e isodata na classificação de imagens da região do Pantanal Atilio Efrain Bica Grondona 1 1 Centro Estadual
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Leia maisT4 Processamento de Imagem
T4 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Manipulação ponto a ponto 2. Conetividade 3. Filtros espaciais 4. Extração de estruturas
Leia maisPROGRAMA DE ENSINO. Área de Concentração Aquisição, análise e representação da informação espacial
PROGRAMA DE ENSINO Disciplina Seminários em Métodos de Análise de Imagem para a Extração de Informações Espaciais Semestre Código Ano Letivo Área de Concentração Aquisição, análise e representação da informação
Leia maisReconhecimento de Padrões aplicado à Bioinformática
Reconhecimento de Padrões aplicado à Bioinformática Dr. Leandro Carrijo Cintra CNPTIA Embrapa Informática Agropecuária Curso de Verão 2010 Bioinformática USP CNPTIA - Centro Nacional de Pesquisas Tecnológicas
Leia maisInstituto Nacional de Pesquisas Espaciais - INPE. Divisão de Processamento de Imagens - DPI
1 Sumário 2 Introdução Técnicas de ESDA Matrizes de Proximidade Espacial Média Espacial Móvel (m i ) Indicadores Globais de Autocorrelação Espacial Índices Globais de Moran (I), Geary (C) e Getis e Ord
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisFILTROS ESPACIAIS PASSA-BAIXA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO CMP65 - INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS PROFESSOR JACOB SCARCHANSKI FILTROS ESPACIAIS PASSA-BAIXA POR DANIEL NEHME
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Tópicos 1. Seleção de atributos 2. Redução de
Leia maisGIScience & Remote Sensing
Analysis of urban growth and estimating population density using satellite images of nighttime lights and land-use and population data Hasi Bagan & Yoshiki Yamagata Ana Carolina de Faria Santos 138592
Leia maisEfeito do Padrão de Distribuição dos Pontos na Interpolação do NDBI. Rúbia Gomes Morato Fernando Shinji Kawakubo Marcos Roberto Martines
Efeito do Padrão de Distribuição dos Pontos na Interpolação do NDBI Rúbia Gomes Morato Fernando Shinji Kawakubo Marcos Roberto Martines Laboratório de Aerofotogeografia e Sensoriamento Remoto Lasere Departamento
Leia maisAplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisAlterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e DOMINIQUE PIRES SILVA
Alterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e 2010. DOMINIQUE PIRES SILVA Universidade Federal Rural do Rio de Janeiro E-mail: nique_rhcp@hotmail.com
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia maisSISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 2. SIG- Eng. Cartográfica Prof. Luciene Delazari
SISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 2 SIG- Eng. Cartográfica Prof. Luciene Delazari Descrição de uma realidade com algum propósito Modelo MODELAR Termo geral para denotar o processo de construir representações
Leia maisFILTRAGEM NO DOMÍNIO ESPACIAL. Daniel C. Zanotta 22/05/2017
FILTRAGEM NO DOMÍNIO ESPACIAL Daniel C. Zanotta 22/05/2017 FREQUÊNCIA EM IMAGENS DIGITAIS Análise da intensidade dos NCs da imagem Banda 7 Landsat TM ao longo da distância: FREQUÊNCIA EM IMAGENS DIGITAIS
Leia maisMapeamento robótico. Mapeamento semântico. Metodologia. Maquinas de vetores de suporte. Maquinas de vetores de suporte. Modelos ocultos de Markov
Mapeamento robótico Exemplos de mapas: Mapeamento semântico Mapeamento semântico consiste na criação de mapas que não representam apenas a ocupação métrica do ambiente, mas também outras propriedades.
Leia maisAvaliação da aplicação de classificadores pontuais e por regiões para imagem JERS-1 em ambiente SPRING
Avaliação da aplicação de classificadores pontuais e por regiões para imagem JERS-1 em ambiente SPRING Alessandra Rodrigues Gomes Corina da Costa de Freitas Sidnei João Siqueira Sant Anna Luciano Vieira
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisPrediction of Secondary Structure of Protein using Support Vector Machine / 11
Prediction of Secondary Structure of Protein using Support Vector Machine Pankaj Agarwal, Shivani Agarwal e Deepali Mendiratta IMS Engineering College, Ghaziabad - India 2014 Prediction of Secondary Structure
Leia maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia maisAvaliação da classificação não-supervisionada em imagens de alta resolução, utilizando a lógica fuzzy.
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7418 Avaliação da classificação não-supervisionada em imagens de alta resolução,
Leia maisAVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO DE IMAGENS ORBITAIS PARA A BACIA DO RIO JAGUARIBE-CE
AVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO DE IMAGENS ORBITAIS PARA A BACIA DO RIO JAGUARIBE-CE Marcio Regys Rabelo de Oliveira 1, Thales Rafael Guimarães Queiroz¹, Mayara Oliveira Rocha¹, Luís Clênio Jário
Leia maisDesempenho de classificadores de SIG em imagens do Landsat-8 da Bacia Hidrográfica do Rio São Francisco Verdadeiro Oeste do PR, no ano de 2015
https://eventos.utfpr.edu.br//sicite/sicite2017/index Desempenho de classificadores de SIG em imagens do Landsat-8 da Bacia Hidrográfica do Rio São Francisco Verdadeiro Oeste do PR, no ano de 2015 RESUMO
Leia maisAnálise comparativa das imagens DMC e Landsat TM usadas para monitorar o desmatamento em região amazônica.
Análise comparativa das imagens DMC e Landsat TM usadas para monitorar o desmatamento em região amazônica. Francisco Dario Maldonado 1 Clotilde P. Ferri dos Santos 1 Jacqueline Oliveira de Souza 1 1 Fundação
Leia maisConsultas por Similaridade em Domínios de Dados Complexos
Consultas por Similaridade em Domínios de Dados Complexos Guilherme Felipe Zabot Orientador: Profº Dr Caetano Traina Jr Roteiro Objetivo Introdução Dados Complexos Representação de Dados Complexos Extração
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 17 Support Vector Machines (SVM) Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor
Leia maisTRATAMENTO DOS DADOS DE SATÉLITES
TRATAMENTO DOS DADOS DE SATÉLITES Fonte de radiação SISTEMA DE COLETA Trajetória ria PRODUTOS INTERAÇÃO SISTEMA TRATAMENTO AÇÕES Produto final Tratamento de imagem Consiste em aplicar determinadas técnicas
Leia mais