Kendiliğinden Organize Evrimsel Sınıflandırıcı Ağları Bulutları ile Büyük Çokboyutlu Sar Görüntü Depoları Yönetimi

Abstract

Uzaktan algılama alanında önemli uygulamalardan birisi olan Polarimetrik SAR (PolSAR) görüntüleri üzerinden arazi sınıflandırması bu zamana kadar çeşitli öznitelikler ve sınıflandırıcıların önerildiği aktif bir araştırma alanı olmuştur. Ancak, bu alandaki hemen hemen tüm çalışmalar sadece tek bir SAR görüntüsünün sınıflandırılması problemini ele almış ve büyük SAR görüntü depolarının elde edilmesi aşamasından bu alandaki uzmanlar tarafından görüntülerin tüketimini (görselleştirme ve analizi) içeren etkin bir yönetimi hala büyük ölçüde keşfedilmemiş veya tamamen bilinmemektedir. Bunun temel nedeni, depolama, indeksleme, sınıflandırma ve aynı zamanda erişim ve görselleştirme alanlarında zorluklar çıkartan bu problemin büyüklüğüdür. Bu proje büyük çokboyutlu SAR veri depolarında endeksleme, sınıflandırma, arama ve erişim problemini çözmek amacıyla makine öğrenme ve işaret işleme alanında en son gelişmiş teknolojileri kullanarak yeni bir çerçeve yapı geliştirmektedir. Bu çalışmada SAR verisi karakteristiklerini tanımlamak için elektromanyetik öznitelikler ile bunların farklı dönüşümleri ve gösterimleri (örneğin hedef ayrıştırma teoremleri), ve diğer görüntü işlemeye dayalı ikincil öznitelikler (örneğin desen, renk) kullanılmıştır. Bu öznitelikler daha sonra kendiliğinden organize ve daha önce geliştirdiğimiz Çok boyutlu Parçacık Sürü Optimizasyonu (MD PSO) algoritması kullanılarak eğitimi eniyilenmiş olan İkili Sınıflayıcı Ağları (NBC) bulutlarını geliştirmek için kullanılmaktadır. NBC topolojisi, bir sınıflayıcı topluluğu prensibine dayalı olarak bir sınıfı öğrenmek veya diğerleri arasından ayırt etmek amacıyla, büyük çok doruklu (multimodal) öznitelikler kümesi kullanılmasına imkan vermektedir. Bu şekilde, sistem ile kullanıcı etkileşimi oluştuğunda her biri artımlı geliştirilebilecek ve her bir sınıf için NBC bulutları oluşacaktır. Böylece, bir uzman kullanıcı tarafından herhangi bir geri besleme sistemi doğrudan geliştirmek ve sınıflandırma hatalarını azaltmak mümkündür. Sistem belli bir olgunluğa ulaştıktan sonra, gerektiğinde artımlı geliştirmeler gerçekleştirerek depodaki diğer SAR görüntülerini sınıflandırmak için kullanılabilmektedir. Mevcut uçak veya uydu tabanlı SAR sensörlerinden araştırma amaçlı sağlanan erişime açık gerçek veriler kullanılarak gerçekleştirilen testlerde önerilen sistemin farklı arazi türlerini yüksek başarı ve verimlilikle öğrenebildiği gösterilmiştir.