Původní název:
Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification
Obsah knihy:
Tato kniha se zabývá nejmodernějšími metodami klasifikace obrazu pro rozlišení pozemských objektů ze satelitních dat dálkového průzkumu Země s důrazem na fuzzy strojové učení a algoritmy hlubokého učení. Oba typy algoritmů jsou popsány tak podrobně, že je lze přímo implementovat pro tematické mapování vícetřídního nebo specifického půdního pokryvu z multispektrálních optických dat dálkového průzkumu Země. Tyto algoritmy jsou spolu s vícedatovým vícesenzorovým dálkovým průzkumem schopny sledovat i konkrétní fázi (např. fenologii rostoucí plodiny) určité třídy. Díky těmto schopnostem mají algoritmy fuzzy strojového učení silné uplatnění v oblastech, jako je pojištění plodin, mapování lesních požárů, vypalování strnišť, mapování škod po katastrofách atd. Uvádí také podrobnosti o databázi časových indexů pomocí navrhovaného přístupu CBSI (Class Based Sensor Independent) podpořeného praktickými příklady. Stejně tak se tato kniha zabývá dalšími souvisejícími algoritmy založenými na vzdálenostech, jádrech a také prostorových informacích prostřednictvím metod Markovova náhodného pole (MRF)/lokální konvoluce pro zpracování smíšených pixelů, nelinearity a zašuměných pixelů.
Dále se tato kniha zabývá technikami pro kvantifikační hodnocení měkkých klasifikovaných frakcí, které jsou výstupem měkké klasifikace a jsou podpořeny vlastním vyvinutým nástrojem nazvaným subpixelový multispektrální klasifikátor obrazu (SMIC). Je určena absolventům, postgraduálního studia, vědeckým pracovníkům a pracujícím odborníkům z různých oborů, jako jsou geoinformační vědy, geografie, elektrotechnika, elektronika a informatika atd., kteří pracují v oblasti pozorování Země a zpracování družicových snímků. Učební algoritmy probírané v této knize mohou být užitečné i v jiných příbuzných oborech, například v lékařském zobrazování. Celkově si tato kniha klade za cíl:
⬤ výhradně se zaměřit na využití velké škály fuzzy klasifikačních algoritmů pro snímky dálkového průzkumu Země;
⬤ pojednat o použití ANN, CNN, RNN a hybridních učících se klasifikátorů na snímky dálkového průzkumu Země;
⬤ popisuje subpixelový multispektrální nástroj pro klasifikaci obrazu (SMIC), který podporuje diskutované fuzzy a učící se algoritmy;
⬤ vysvětlete, jak vyhodnotit měkké klasifikované výstupy jako zlomky snímků pomocí fuzzy chybové matice (FERM) a jejích pokročilých verzí s nástrojem FERM, entropie, korelačního koeficientu, střední kvadratické chyby a metody operační charakteristiky přijímače (ROC) a;
⬤ kombinuje vysvětlení algoritmů s případovými studiemi a praktickými aplikacemi.
