برچسب گذاری داده ها با استفاده از روشهای نمایش تنک در داده های چند طیفی سنجش از راه دور

مسئله ای که در این پژوهش به آن پرداخته شده است‏، طبقه بندی داده های سنجش از راه دور می باشد. از آنجا که بیشتر کاربردهای سنجش از راه دور مانند تشخیص منابع‏، کاربردهای کشاورزی و نظامی نیازمند تشخیص عوامل و عناصر موجود در تصویر هستند‏، طبقه بندی این داده ها از اهمیت بالایی برخوردار است. تا کنون روش های متعدد طبقه بندی نظارتی و غیر نظارتی برای داده های سنجش از راه دور ارائه شده است. به عنوان مثال روشی مبتنی بر هسته ارائه شده که در محاسبه ی ماتریس هسته ی آن علاوه بر ویژگی های طیفی نمونه ها از ویژگیهای مکانی آنها نیز استفاده می شود. ‎‎‎نویسندگان این پژوهش پس از آن یک روش مبتنی بر گراف برای طبقه بندی داده ها ارائه کرده اند‏، به این ترتیب که در روند ساخت گراف از ماتریس هسته ی به دست آمده توسط روش ذکر شده‏، ‎‎به عنوان ماتریس وزن های گراف استفاده می شود. مشکل این روش ها بار محاسباتی و حافظه ی زیاد مورد نیاز برای محاسبه و نگهداری ماتریس هسته است. ‎‎ در پژوهشی دیگر یک روش ترکیبی با استفاده از خوشه بندی و قطعه بندی معرفی شده که در یک روال جداگانه یک الگوریتم طبقه بندی مانند ‎lr{svm}‎ بر روی تمام پیکسل ها اعمال می شود و هر نمونه را برچسب گذاری می کند. در نهایت برای برچسب گذاری پیکسل ها از راهکار رأی گیری اکثریت استفاده می شود.‎‎‎‎ در‎‎ این میان استفاده از روش های نمایش تنک به دلیل صرف زمان زیاد جهت حل مسئله ی بهینه سازی مورد استقبال زیادی قرار نگرفته است. اما در یکی از بررسی های انجام شده در روند کدگذاری تنک روش جایگزینی برای مسئله ی بهینه سازی نرم ‎$l_{1}‎$‎‎ ارائه شده است که زمان حل مسئله را کاهش می دهد و یا در تحقیقی دیگر‎ در‎‎‎ بخش نمایش تنک‏، از یک الگوی تنک مشترک‏، برای پیکسل های مجاور در یک همسایگی کوچک استفاده شده است‏ تا از ویژگی های مکانی داده ها نیز استفاده شود.‎‎‎ مشکل این روش و سایر روش های نمایش تنک ارائه شده این است که واژه نامه را از نمونه های آموزش می سازد‏، که این امر دقت روش را به چگونگی انتخاب اتم های واژه نامه از میان نمونه های آموزشی وابسته می کند. مشکل دیگر این است که برای تمامی نمونه های موجود در یک همسایگی‏، بدون در نظر گرفتن هیچ شرط دیگری جهت اطمینان یافتن از تعلق آن ها به یک کلاس‏، نمایش تنک یکسانی در نظر می گیرد. ‎‎ در روش پیشنهادی ارائه شده در این پایان نامه واژه نامه یاد گرفته می شود و نقش عوامل تصادفی از بین می رود. در نتیجه واریانس ‎دقت‎‎ نتایج پایین می آید. همچنین از ویژگی های مکانی داده ها با در نظر گرفتن شباهت طیفی آن ها در طبقه بندی استفاده شده است. برای آزمایش روش پیشنهادی از داده های استاندارد مانند aviris استفاده شده است. ارزیابی روش پیشنهادی با مقایسه ی دقت آن با روش های پیشین انجام گردیده است. نتایج در شرایط یکسان از تمامی روش های ارائه شده بهتر است. این تفاوت به خصوص در مورد داده های آموزشی کم مشهود است.