Integração entre Estratégias Multiclasses e diferentes Funções Kernel em Máquinas de Vetores Suporte para Classificação de Imagens de Sensoriamento Remoto

Conteúdo do artigo principal

Luccas Zambon Maselli
Rogério Galante Negri

Resumo

Dentre diferentes métodos de classificação de imagens, Máquina de Vetores Suporte (Support Vector Machine – SVM) tem sido amplamente utilizado em diferentes aplicações em Sensoriamento Remoto. Além de sua excelente formulação matemática, a possibilidade de emprego de diferentes funções kernel e estratégias multiclasses tornam o método SVM ainda mais atrativo. Enquanto as funções kernel possibilitam aumentar a capacidade de distinção entre dados não linearmente separáveis, as estratégias multiclasses estendem a formulação original do método SVM a fim de lidar com problemas de classificação envolvendo além de duas classes. A escolha envolvendo uma função kernel e uma estratégia multiclasses em particular implica diretamente sobre a acurácia da classificação. Este trabalho propõe duas arquiteturas para treinamento do método SVM com finalidade de diminuir o grau de liberdade que surge diante das diferentes combinações possíveis entre função kernel e estratégia multiclasses. Três estudos de caso, envolvendo classificação de uso e cobertura do solo a partir de imagens adquiridas por diferentes sensores, são realizados a fim de verificar o potencial das arquiteturas formalizadas em comparação as abordagens usuais.

Downloads

Não há dados estatísticos.

Métricas

Carregando Métricas ...

Detalhes do artigo

Como Citar
MASELLI, L. Z.; NEGRI, R. G. Integração entre Estratégias Multiclasses e diferentes Funções Kernel em Máquinas de Vetores Suporte para Classificação de Imagens de Sensoriamento Remoto. Revista Brasileira de Cartografia, [S. l.], v. 71, n. 1, p. 149–175, 2019. DOI: 10.14393/rbcv71n1-47208. Disponível em: https://seer.ufu.br/index.php/revistabrasileiracartografia/article/view/47208. Acesso em: 5 dez. 2022.
Seção
Artigos Originais