Análise sobre a influência das estratégias multiclasses e das funções kernel no treinamento de máquina de vetores suporte para classificação de imagens de sensoriamento remoto

• Processo: 16/02875-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de junho de 2016
• Data de Término da vigência: 31 de maio de 2017
• Área de conhecimento: Ciências Exatas e da Terra - Geociências
• Pesquisador responsável: Rogério Galante Negri
• Beneficiário: Luccas Zambon Maselli
• Instituição Sede: Instituto de Ciência e Tecnologia (ICT). Universidade Estadual Paulista (UNESP). Campus de São José dos Campos. São José dos Campos , SP, Brasil
• Assunto(s): Mapeamento do solo Cobertura do solo Máquinas de vetores de suporte Sensoriamento remoto Análise de imagens
• Palavra(s)-Chave do Pesquisador: Estratégias Multiclasses | Funções Kernel | Mapeamento de uso e cobertura do solo | Máquina de Vetores Suporte | programação | Treinamento de Máquina de Vetores Suporte | Aplicações de Reconhecimento de Padrões e Processamento de Imagens de Sensoriamento Remoto

Resumo

Dentre diferentes técnicas disponíveis para a classificação de imagens de sensoriamento remoto, Máquina de Vetores Suporte (SVM - Support Vector Machines) têm sido empregadas. Usualmente, para o treinamento do SVM são selecionadas previamente uma única Estratégia Multiclasses e Função Kernel que são supostamente adequadas para o problema em questão. As Estratégias Multiclasses são empregadas quando a classificação envolve mais de duas classes, efetuando por sua vez a decomposição do problema original em sub-problemas binários. Já as Funções Kernel são empregadas visando melhorar a capacidade de classificação (acurácia) do método. Adoção de uma Estratégia Multiclasses e Função Kernel específicas influenciam diretamente sobre a acurácia do resultado da classificação. Uma possibilidade, além de adotar uma única Estratégia Multiclasse e Função Kernel, é a adoção de uma Função Kernel para cada sub-problema binário definido pela Estratégia Multiclasses empregada. Acredita-se que esta forma de treinamento proporcione resultados mais acurados com relação a abordagem usual. Diante esta motivação, este projeto consiste em um estudo e comparação entre diferentes Estratégias Multiclasses e Funções Kernel. Além disso, é proposta a implementação de uma arquitetura diferenciada para treinamento do método SVM, a qual permitirá a seleção de uma Função Kernel para cada sub-problema binário definido pela Estratégia Multiclasses adotada. Este estudo fará a aplicação dos conceitos teóricos estudados e desenvolvidos na classificação do uso e cobertura do solo em uma região Amazônica. (AU)