1.

劉進男—一個對於高光譜影像資料融合平行的模擬退火波段選擇及特徵抽取方法 ( 2008 )

<<

2.

陳立德—一個以類別為基礎之高維資料平行布林函數分類器 ( 2008 )

<<

3.

黃彥誠—一個對於高光譜影像的模擬退火特徵齊一化波段選取方式 ( 2008 )

<<

4

賴嘉琪—三維模擬退火波段選擇方法之布林函數分類器研究 ( 2008 )

<<

 

 

劉進男—一個對於高光譜影像資料融合平行的模擬退火波段選擇及特徵抽取方法 ( 2008 )
摘要:
衛星遙測影像可以大範圍的顯示各種地形的區域概況,藉以了解在各種不同地形地貌的分布情形,如蔗田、海洋、稻田、水塘等。近來在衛星遙測影像,衛星感測器持續不斷的更新開發,造成可利用的光譜資訊日益龐大,而在這些龐大的光譜資訊中所包含的雜訊或是錯誤資訊的光譜不在少數,因此如何快速、有效率的挑選正確而有效的光譜資訊進行分類,成為一門重要的課題。
本論文提出一個對於高光譜影像資料融合的平行的模擬退火波段選擇及特徵抽取技術,快速且有效率地進行高光譜特徵抽取再進行分類。本論文應用的方法分為三部份:『平行模擬退火法』(Parallel Simulated Annealing, PSA)、『群集特徵空間/特徵齊一化轉換』(Clustered Eigenspace / Feature scale Uniformity Transformation, CE/FSUT)、『平行的布林函數分類器』(Parallel Positive Boolean Function, PPBF)。利用『平行模擬退火法』、『群集特徵空間/特徵齊一化轉換』將高光譜影像資料融合(Data Fusion)的波段做挑選,再藉著群集高度相關的高光譜資料融合波段將之形成一個波段模組的子集合,最後再採用『平行的布林函數分類器』,針對各測試樣本進行分類動作,使達到最適合的類別組合。
最後由實驗數據結果顯示,本論文提出以平行的模擬退火法波段選取及特徵抽取方法針對平行的PBF分類器,有效率的挑選出高度相關的高光譜波段,並加快運算速度,大幅度降低波段選擇(Band Selection)、分類計算的時間,提升整體的運算效率。

Top

 

陳立德—一個以類別為基礎之高維資料平行布林函數分類器 ( 2008 )
摘要:
在近代圖形識別的領域裡,如何於原始的高維資料中,萃取高品質與穩定度的特徵,再根據所選取的特徵進行分類,進而獲取最好的辨識率,已漸成為研究的主流。然而在面對大量資料處理時,對於特徵選取或分類都會帶來相當大的負擔,所以針對高維高資料量的問題,本論文提出了一套以類別為基礎之平行概念的分類方法,來解決近年來,漸已成熟的高維資料量感測技術所帶來的龐大計算問題。
本論文提出一個平行的解決方案,來探討此問題,我們所提的方案可分為三部分: 1.「平行貪婪特徵空間演算法」 (parallel greedy modular eigenspace,PGME)、 2.「特徵尺度齊一化轉換」 (feature scale uniformity transformation,FSUT)與 3.「平行正向布林函數」(parallel positive Boolean function, PPBF)。經由「平行貪婪模組特徵空間」/「特徵尺度齊一化轉換」將每個類別特徵做篩選,針對所有類別選取較具代表性的特徵,再採用「正向布林函數」,對於各個類別訓練出最適合該類別的布林函數分類器。
為了驗證本論文所提出的方法,我們比較三種不同的平行測試環境,分別為「共享式記憶體多處理器」(shared-memory multiprocessor, SMP)、「叢集式電腦」(cluster computer)與「混合式平行架構-共享式記憶體多處理器叢集電腦」(mixing mode-SMP cluster)。並針對在不同維度、不同類別與不同資料量的情況,來評估加速情況。最後經由我們實驗的結果證明,我們所提出的以類別為基礎之正向布林函數分類器,對於高維的資料量,能夠有效的提升計算效能。

Top

 

黃彥誠—一個對於高光譜影像的模擬退火特徵齊一化波段選取方式
摘要:
高光譜遙測影像是近幾年來相當受到重視的一門技術,『高光譜』解析度之感測器已經普遍地應用於衛星遙測影像之識別、醫學影像的診斷檢查、工業產品之檢驗、飛機及其他精密機器設備之非破害性檢查等之應用,關於這方面的研究,在全球化競爭的趨勢下,已經積極的拓展開來。本篇論文提出一個新型的模擬退火特徵齊一化(SAFU)波段選取法應用在高光譜遙測影像的特徵萃取,模擬退火波段選取(SABS)法已經成功的應用在高光譜影像的特徵萃取藉著群集高度相關的高光譜波段將之形成一個基於模擬退火(SA)演算法波段模組的子集合,本文提出之SAFU是建立在SABS之上,利用舊有SABS的特性加以改良,提出SAFU來對於高光譜影像可以更有效率的進行特徵萃取。本文提出的SAFU選取不同類別抽取出不同的波段,同時地利用不同類別在高光譜影像中固有的分離性來縮減維度及更進一步地有效產生一個獨特的SAFU特徵,最後實驗列舉了一些分類正確率有不錯表現的分類器與PBF分類器進行一些正確率的比較,實驗的結果顯示SAFU方法是有效且能
被當作目前現有的特徵萃取演算法中的其中一種。

Top

 

賴嘉琪—三維模擬退火波段選擇方法之布林函數分類器研究
摘要:
衛星遙測影像可以展示大範圍區域的地形概況,藉以了解各種不同地形地貌,如山脈、平原、盆地、海岸線、城市、河流、道路等的分布狀況;更細緻的地形分布,如山勢的走向、河流的流向與幾何形貌等,也可以一覽無遺。而在遙測影像中,衛星感測器持續不斷的更新開發,造成可利用的光譜資訊日益龐大,而其中包含雜訊或是錯誤資訊的光譜不在少數,因此挑選正確有效的光譜資訊進行分類,特徵波段選取的前置處理就愈顯得重要。
而本論文採用一個基於三維的模擬退火法特徵抽取技術,有效地進行高光譜特徵抽取再行分類,本篇論文分別以四種分類器:布林函數分類器(Positive Boolean Function, PBF)、最大近似分類器(Maximum Likelihood, ML)、支援向量機分類器(Support Vector Machine, SVM)、k近鄰分類器(k Nearest Neighborhood, kNN)進行研究分析。PBF分類器以改善樣本比對的方式,加強分類的正確率;ML是依據機率(Probability)的概念所產生的分類器;SVM分類器使用核心函數,進行訓練學習;而kNN則利用與實例樣本之間的距離,進行分類動作。由實驗數據結果顯示,本論文提出的以三維的模擬退火法波段選取方法針對PBF分類器的正確率明顯比其他的分類器來得高,並且能
作為現今分類器演算法中的另一種選擇。

Top