N e ll ’ a m b i to del re m ote-s e n s i n g, notevoli sviluppi si sono avuti dal momento in cui tecniche non l i n eari proprie dell ’ I n te lligenza Artificiale sono st ate impiegate nel campo della co s i d d etta land cover class i f i c ation. È st ato, quindi, pensato di applicare una nuova tecnica di rico n o s c i m e n to pattern alla classificazione di immagini SA R. Tale tecnica è st ata re ce n te m e n te intro d otta all ’ i n te r n o d e lla co s i d d etta St at i stical Learning Theory sv i l u p p ata da V. Vapnik e viene indicata sot to il nome di Support Ve c torMa c h i n es (SVMs). Poiché, però, le SVMs sono pro p r i a m e n te dei class i f i c atori binari, è st ata utilizzata una loro este n s i o n e, definita come Mu l t i -c l a ss Support Ve c torMa c h i n es (MSVMs). Queste sono st ate implementate da Hsu and Lin al fine di applicare la teoria di Va p n i k anche alle applicazioni nelle quali sono co i nvo l te più di due classi di elementi. Nel nost ro caso abbiamo utilizzato la tecnica descritta nel prosieguo dell ’ a r t i colo al fine di fo r n i re una meto d o l ogia per la risoluzione di problemi di inquinamento dov u to alla presenza di chiazze di pet rolio in m a re, ma pot rebbe molto semplice m e n te ess e re estesa a problemi di oil spilling. L’algoritmo p ro p o sto ha portato a risultati molto inte ressanti, con un grado di affidabilità stimabile at torno ad un 94% circa.

Elaborazione di immagini SAR mediante Multi-Support Vector Machines

BARRILE, Vincenzo;
2004-01-01

Abstract

N e ll ’ a m b i to del re m ote-s e n s i n g, notevoli sviluppi si sono avuti dal momento in cui tecniche non l i n eari proprie dell ’ I n te lligenza Artificiale sono st ate impiegate nel campo della co s i d d etta land cover class i f i c ation. È st ato, quindi, pensato di applicare una nuova tecnica di rico n o s c i m e n to pattern alla classificazione di immagini SA R. Tale tecnica è st ata re ce n te m e n te intro d otta all ’ i n te r n o d e lla co s i d d etta St at i stical Learning Theory sv i l u p p ata da V. Vapnik e viene indicata sot to il nome di Support Ve c torMa c h i n es (SVMs). Poiché, però, le SVMs sono pro p r i a m e n te dei class i f i c atori binari, è st ata utilizzata una loro este n s i o n e, definita come Mu l t i -c l a ss Support Ve c torMa c h i n es (MSVMs). Queste sono st ate implementate da Hsu and Lin al fine di applicare la teoria di Va p n i k anche alle applicazioni nelle quali sono co i nvo l te più di due classi di elementi. Nel nost ro caso abbiamo utilizzato la tecnica descritta nel prosieguo dell ’ a r t i colo al fine di fo r n i re una meto d o l ogia per la risoluzione di problemi di inquinamento dov u to alla presenza di chiazze di pet rolio in m a re, ma pot rebbe molto semplice m e n te ess e re estesa a problemi di oil spilling. L’algoritmo p ro p o sto ha portato a risultati molto inte ressanti, con un grado di affidabilità stimabile at torno ad un 94% circa.
File in questo prodotto:
Non ci sono file associati a questo prodotto.

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12318/5262
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact