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

More documents

Recommendations

Info

miste), presenti ma poco numerosi tra i pixel di addestramento, non vedono alcun pixel loroassegnato dalla rete addestrata, e vengono pertanto rimossi.ArabileIrrigatoVignetiFruttetiOlivetiPascolicoltivatiForeste dilatifoglieForeste diconifereForestemistePascolinaturaliMacchiamedit.err.Suoli nuditotaleAffidabilitàArabile 5063 203 123 101 185 36 83 10 8 241 31 34 6118 82.8Irrigato 62 600 7 99 36 2 9 6 0 1 4 4 830 72.3Vigneti 26 10 264 15 35 0 1 0 1 9 0 1 362 72.9Frutteti 45 45 8 394 28 0 7 1 0 8 1 4 541 72.8Oliveti 151 34 26 67 769 16 84 65 23 49 22 9 1315 58.5Latifoglie 130 13 1 158 94 13 2646 121 145 188 42 5 3556 74.4Conifere 20 0 0 2 14 1 24 147 9 0 0 0 217 67.7Pascoli nat. 32 1 1 4 18 1 14 4 2 136 10 8 231 58.9Macchia med 3 0 0 0 6 0 1 0 0 7 15 0 32 46.9Suoli nudi 2 4 0 2 0 0 0 1 1 2 0 72 84 85.7Totale 5534 910 430 842 1185 69 2869 355 189 641 125 137 13286Accuratezza 91.5 65.9 61.4 46.8 64.9 = 92.2 41.4 = 21.2 12.0 52.6Tabella 4. Matrice di confusione dopo il primo addestramento. I 3180 pixel mal classificati(non appartenenti alle celle in grassetto), vengono esclusi prima di proseguirel’addestramento.ArabileIrrigatoVignetiFruttetiOlivetiForeste dilatifoglieForeste diconiferePascolinaturaliMacchiamedit.err.Suoli nuditotaleAffidabilitàArabile 5016 0 0 0 0 0 0 3 0 0 5019 99.9Irrigato 6 579 0 0 1 0 0 0 0 0 586 98.8Vigneti 0 0 240 0 0 0 0 0 0 0 240 100Frutteti 0 0 0 364 0 0 0 0 0 0 364 100Oliveti 0 0 0 1 736 0 1 0 0 0 738 99.7Latifoglie 0 0 0 0 0 2604 3 0 0 0 2607 99.9Conifere 0 0 0 0 0 0 133 0 0 0 133 100Pascoli nat. 0 0 0 0 1 0 0 114 0 0 115 99.1Macchia med 0 0 0 0 0 0 0 0 2 0 2 100Suoli nudi 0 0 0 0 0 0 0 0 0 70 70 100Totale 5022 579 240 365 738 2604 137 117 2 70 9874Accuratezza 99.9 100 100 99.7 99.7 100 97.1 97.4 100 100Tabella 5. Matrice di confusione al termine della selezione.L’addestramento prosegue automaticamente, ogni volta eliminando dall’insieme diapprendimento i pixel il cui tema non viene confermato. Si noti che non tutti gli errori sonoegualmente gravi: alcuni temi sono tra loro più simili di altri. Ad esempio, non appare grave la
assegnazione alla classe foresta di latifoglie di 145 pixel di foresta mista, mentre lo ècertamente l’assegnazione alla foresta di latifoglie di 5 pixel di suolo nudo. Probabilmentecolpa probabilmente della cattiva registrazione geometrica, rocce nude vicino ad un bosco…L’eliminazione dei primi 3180 pixel spuri fa diminuire l’errore globale da 2346 a ben 258. Inquesta prova l’addestramento procede per altre quattro fasi, rispettivamente di 4, 2, 6 e 4 cicli,che vedono l’errore globale diminuire da 2346 a 70. La tabella 5 mostra la situazione finale.Si noti che tra i 9874 pixel ritenuti alla fine della selezione solo due appartengono al temaarbusti (qui indicato come macchia mediterranea). E’ giocoforza escluderlo, mancando unnumero sufficiente di pixel affidabili che lo rappresentino.3.4 La fase di assegnazioneLa sperimentazione non è qui ancora completata: ci limitiamo dunque ad indicare come vengarealizzata l’integrazione dell’informazione ausiliaria (nel nostro esempio, la distribuzionedesunta da CORINE dei temi sulle elevazioni) nella procedura di assegnazione (cfr. sezione2.5).Terminato l’addestramento della rete descritto nella sezione precedente, i suoi parametrivengono salvati su file per venire ricaricati dal programma che gestisce la fase diassegnazione. Questa procede in modo iterativo, come descritto nella sezione 2.5, solo che inquesto caso la rete converte il vettore di input che descrive ciascun pixel in un vettore delleattivazioni, consistente nei 13 valori assunti dai nodi dello strato di output. Le attivazionigiocano qui il ruolo prima svolto dalle distanze di Mahalanobis. Alla prima presentazione diciascun pixel il patter di attivazione calcolato viene registrato su file, per essere ricaricato ecorretto durante le iterazioni successive.Ogni volta, il tema vincitore è quello cui corrisponde l’attivazione massima. Anche qui, adogni iterazione viene calcolata la tabella C che riporta la distribuzione corrente dei temi sulleelevazioni, ed i fattori di correzione CF vengono modificati in modo da avvicinare la matriceC alla matrice target T. I fattori correttivi appropriati per l’elevazione che caratterizza il pixelvengono applicati alle componenti del suo vettore di attivazione, ed il pixel viene assegnato altema con attivazione corretta massima. Come nel caso del classificatore statistico, ciò serve adincoraggiare l’assegnazione ai temi sotto-rappresentati.4. CONCLUSIONI PROVVISORIE E SVILUPPI FUTURIL’utilizzo dell’informazione ancillare durante il processo medesimo di costruzione dellaclassificazione, e non come fase di correzione separata, ha senza dubbio molto facilitato lacostruzione del database PELCOM, rimediando in modo elegante e poco faticosoall’inadeguatezza dell’informazione radiometrica. Il metodo appare promettente, ma è tuttoraimplementato in modo troppo dipendente dai caratteri particolari del problema affrontato dalprogetto PELCOM.
Page 4 and 5: DISCover, un prodotto globale ad 1-
Page 6 and 7: Tra i molti database ancillari util
Page 8 and 9: Figure 2 - Italia del Nord (ITN): d
Page 10 and 11: Allo scopo di selezionare i pixel p
Page 12 and 13: 7. T viene assunto come la distribu
Page 14 and 15: supervisionato con il metodo di Ret
Page 18 and 19: Un primo necessario passo consiste
Page 20: ABSTRACTThis contribution describes

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

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?