Classification of polarimetric SAR images using Support Vector Machines
Notice bibliographique
Résumé
Recently, Support Vector Machines (SVMs) have been introduced as a promising tool for performing supervised classification. This approach has been applied in different contexts and applications, such as data mining, regression analysis, and the classification of remotely sensed data. The advantage of SVMs for data classification is their ability to be used as an efficient algorithm for nonlinear classification problems, particularly in the case of extracting feature vectors from fully polarimetric SAR data. In this research, a classification algorithm based on the SVMs technique is applied to the fully polarimetric AIRSAR L-band data from the San Francisco Bay area, with a spatial resolution of 10 m. Several parameters are extracted from SAR data, including the individual channel backscatter value, Pauli decomposition coefficients, Krogager decomposition coefficients, and eigenvector decomposition parameters. Different combinations of polarimetric parameters are considered to assess the accuracy of the classification results. The accuracy of the SVMs is then compared with that obtained from several conventional classifiers, including the Maximum Likelihood classifier, Minimum Distance classifier, Mahalanobis Distance classifier, and Wishart classifier. The accuracy analysis shows that, for classification of fully polarimetric data, SVMs perform more poorly than the Wishart classifier by approximately 16%, whereas they perform better than the Maximum Likelihood, Minimum Distance, and Mahalanobis Distance classifiers by approximately 4%, 17% and 14%, respectively. Moreover, the highest accuracy is achieved by using the coefficients of Krogager decomposition in the classification procedure. This evaluation demonstrates that the SVM classifier can be used as an effective method for analyzing fully polarimetric SAR images with acceptable levels of accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».