Classificatori Statistici e Reti Neurali nella segmentazione ... - Circe

supervisionato con il metodo di RetroPropagazione dell’errore (BackPropagation). Si tratta diun tipo di rete descritto in numerosi lavori. Tra i più noti, si vedano McClelland e Rumelhart(1986, cap. 8) e Bishop (1995, cap.7).Il metodo descritto nella sezione precedente ha certamente almeno un inconveniente.L’Analisi in Componenti Principali lavora esclusivamente per trasformazioni lineari: èdunque in grado di cogliere bene le relazioni lineari esistenti tra le variabili descrittive, maignora eventuali relazioni non lineari. In tal senso, il classificatore statistico da noi utilizzatonel progetto PELCOM è limitato. Una Rete Neurale invece apprende in grande libertà dai datiche le vengono presentati, senza l’obbligo di doversi attenere ad un modello imposto a priori.Riesaminando molte volte l’insieme di addestramento (training set), costituito da coppie divettori che rappresentano rispettivamente un pattern di input e l’output desiderato incorrispondenza, la rete modifica i propri parametri interni (certamente i pesi, ma a volte anchela sua stessa struttura) in modo da fornire, a fronte di ciascun input, l’output richiesto.Ovviamente, ciò è possibile solo se l’insieme di apprendimento non è internamentecontraddittorio, non come ad esempio pixel con descrizioni identiche o molto simili, maassegnati a temi diversi.Dunque, anche con una rete neurale è importante ripulire l’insieme di apprendimentoeliminando i casi inaffidabili. Anche se i pixel vengono indicati uno per uno, per presuntaconoscenza diretta, spesso le cose non sono come sembrano. Inoltre, se vogliamo che venganocolte anche eventuali relazioni non lineari, sembra importante che sia la stessa rete adeffettuare la selezione dei pixel che entreranno a far parte dell’insieme di apprendimento,adattando il procedimento descritto nella sezione 2.4 per il classificatore statistico.3.2 I dati, la rete, il softwareLa prova empirica descritta nel seguito è stata svolta sui dati PELCOM per l’ItaliaMeridionale (ITS), escludendo la Puglia (classificata a parte) per ragioni di registrazionegeometrica.Ogni pixel è ancora descritto da un vettore di 20 valori dell’Indice di Vegetazione, distribuitisull’anno 1997. I possibili temi di assegnazione (la legenda PELCOM) sono in teoria 13; inpratica, alcuni risultano vuoti perché i pixel di training corrispondenti sono troppo pochi.Si è utilizzata una rete con 20 nodi di input (cui presentare i 20 valori di ciascun pattern) 13nodi di output (il numero delle possibili classi di assegnazione), 17 nodi in uno stratonascosto.Il software rinvenibile in Internet è in generale adatto a trattare un basso numero di casi,mentre nei problemi di classificazione su immagini satellitari i pixel sono molti, e dev’esserenumeroso l’insieme di addestramento. Pacchetti general-purpose, come SNNS o il RochesterSimulator, in grado di implementare molte architetture diverse, sono fortemente appesantiti inesecuzione da overheads consistenti. Abbiamo perciò preferito scrivere un softwareappositamente mirato, snello ed efficiente, che leggesse direttamente i dati delle immagini in