pkann - آنلاین در ابر

برنامه:

نام

pkann - طبقه بندی تصویر شطرنجی با استفاده از شبکه عصبی مصنوعی

خلاصه

pkann -t پرورش [-i ورودی] [-CV ارزش] [گزینه های] [پیشرفته گزینه های]

شرح

pkann یک شبکه عصبی مصنوعی (ANN) را برای حل یک طبقه بندی نظارت شده پیاده سازی می کند
مسئله. پیاده سازی بر اساس کتابخانه منبع باز C++ (fann ⟨http://
leenissen.dk/fann/wp/⟩). هر دو فایل شطرنجی و برداری به عنوان ورودی پشتیبانی می شوند. در
خروجی شامل نتیجه طبقه بندی، چه در قالب شطرنجی یا برداری خواهد بود،
مطابق با فرمت ورودی یک نمونه آموزشی باید به عنوان OGR ارائه شود
مجموعه داده برداری که شامل برچسب های کلاس و ویژگی های هر نقطه آموزشی است.
مکان های نقطه در مرحله آموزش در نظر گرفته نمی شود. شما می توانید از همان استفاده کنید
نمونه آموزشی طبقه بندی تصاویر مختلف با ارائه تعداد باندهای
تصاویر یکسان هستند از ابزار استفاده کنید pkextract(1) برای ایجاد یک نمونه آموزشی مناسب،
بر اساس نمونه ای از نقاط یا چندضلعی ها. برای نقشه های خروجی شطرنجی می توانید یک رنگ را ضمیمه کنید
جدول با استفاده از گزینه -ct.

OPTIONS

-i نام فایل, -- ورودی نام فایل
تصویر ورودی

-t نام فایل, --آموزش نام فایل
فایل وکتور آموزشی. یک فایل برداری شامل تمام ویژگی های آموزشی است (باید باشد
برای همه کلاس‌ها به‌عنوان: B0، B1، B2،...) تنظیم کنید (اعداد کلاس‌ها با گزینه برچسب مشخص می‌شوند).
از چندین فایل آموزشی برای تجمع بوت استرپ استفاده کنید (جایگزین --کیسه و
--size گزینه‌ها، که در آن یک زیر مجموعه تصادفی از یک فایل آموزشی گرفته می‌شود)

-tln لایه, -- tln لایه
نام(های) لایه آموزشی

-برچسب صفت, --برچسب صفت
شناسه برچسب کلاس در فایل وکتور آموزشی. (پیش‌فرض: برچسب)

-قبلی ارزش, --قبلی ارزش
احتمالات قبلی برای هر کلاس (به عنوان مثال، -قبلی 0.3 -قبلی 0.3 -قبلی 0.2)

-CV ارزش, --رزومه ارزش
حالت اعتبارسنجی متقاطع n برابر (پیش‌فرض: 0)

-nn عدد, -- نورون عدد
تعداد نورون ها در لایه های پنهان در شبکه عصبی (لایه های پنهان چندگانه هستند
با تعریف چند نورون تنظیم می شود: -nn 15 -nn 1، پیش فرض یکی پنهان است
لایه ای با 5 نورون)

-m نام فایل, -- ماسک نام فایل
فقط در ماسک مشخص شده (بردار یا شطرنجی) طبقه بندی کنید. برای ماسک شطرنجی، تنظیم کنید
مقادیر nodata با گزینه --msknodata.

-msknodata ارزش, --msknodata ارزش
ارزش(های) ماسک برای طبقه بندی در نظر گرفته نمی شود. ارزش ها در اختیار گرفته می شود
تصویر طبقه بندی پیش فرض 0 است.

-بدون اطلاعات ارزش, --بدون اطلاعات ارزش
مقدار nodata برای قرار دادن در جایی که تصویر به عنوان nodata پوشانده شده است (پیش‌فرض: 0)

-o نام فایل, -- خروجی نام فایل
تصویر طبقه بندی خروجی

-خیلی نوع, --otype نوع
نوع داده برای تصویر خروجی ({Byte / Int16 / UInt16 / UInt32 / Int32 / Float32 /
Float64 / CINT16 / CINT32 / CFloat32 / CFloat64}). رشته خالی: نوع ارث بری از
تصویر ورودی

-از فرمت GDAL, --oformat فرمت GDAL
فرمت تصویر خروجی (همچنین مراجعه کنید gdal_translate(1)). رشته خالی: ارث بری از ورودی
تصویر

-f فرمت OGR, --f فرمت OGR
فرمت ogr خروجی برای نمونه آموزشی فعال (پیش‌فرض: SQLite)

-ct نام فایل, --ct نام فایل
جدول رنگی با فرمت ASCII دارای 5 ستون: id RGB ALFA (0: شفاف، 255:
جامد)

-کو NAME=VALUE, -- شرکت NAME=VALUE
گزینه ایجاد برای فایل خروجی. گزینه های متعددی را می توان مشخص کرد.

-c نام, -- کلاس نام
لیست نام کلاس ها

-r ارزش, --تجدید کلاس ارزش
لیست مقادیر کلاس (از همان ترتیبی که در آن استفاده شده است استفاده کنید -- کلاس گزینه).

-v 0 | 1 | 2, -- پرحرف 0 | 1 | 2
تنظیم روی: 0 (فقط نتایج)، 1 (ماتریس سردرگمی)، 2 (اشکال زدایی)

گزینه های پیشرفته

-bal اندازه, -- تعادل اندازه
تعادل داده های ورودی را با این تعداد نمونه برای هر کلاس (پیش فرض: 0)

-من عدد, -- دقیقه عدد
اگر تعداد پیکسل های آموزشی کمتر از min است، این کلاس را در نظر نگیرید
(0: همه کلاس ها را در نظر بگیرید)

-b باند, --باند باند
شاخص باند (شروع از 0، هر دو استفاده کنید --باند گزینه یا استفاده --شروع به --پایان)

-Sband باند, --استارت باند باند
شماره دنباله باند شروع (پیش‌فرض: 0)

-eband باند, -- endband باند
شماره دنباله باند انتهایی

-انحراف ارزش, --انحراف ارزش
مقدار افست برای هر ویژگی ورودی باند طیفی:
refl[band]=(DN[band]-offset[band]/scale[band]

مقیاس ارزش, -- مقیاس ارزش
مقدار مقیاس برای هر ویژگی ورودی باند طیفی:
refl=(DN[باند]-offset[band])/scale[band]

-a 1 | 2, -- توده 1 | 2
نحوه ترکیب طبقه‌بندی‌کننده‌های انبوه، همچنین ببینید --rc گزینه (1: قانون جمع، 2: حداکثر
قانون).

--ارتباط 0 | 1
نرخ اتصال (پیش‌فرض: 1.0 برای یک شبکه کاملاً متصل)

-w وزن, --وزن ها وزن
وزن برای شبکه عصبی فقط برای شبکه کاملا متصل اعمال شود، شروع از
اولین نورون ورودی تا آخرین نورون خروجی، از جمله نورون های سوگیری (آخرین نورون
در هر لایه به جز آخرین لایه)

-l نرخ, --یادگیری نرخ
نرخ یادگیری (پیش‌فرض: 0.7)

-- maxit عدد
تعداد حداکثر تکرار (عصر) (پیش‌فرض: 500)

شانه رد, -- شانه رد
نحوه ترکیب طبقه بندی کننده های تجمع بوت استرپ (0: قانون جمع، 1: قانون محصول، 2:
قانون حداکثر). همچنین برای تجمیع کلاس ها با --rc گزینه. پیش فرض قانون جمع است
(0)

-کیسه ارزش, --کیسه ارزش
تعداد تجمعات بوت استرپ (پیش فرض بدون بسته بندی است: 1)

-لیسانس ارزش, --size ارزش
درصد ویژگی های استفاده شده از ویژگی های آموزشی موجود برای هر بوت استرپ
تجمع (یک اندازه برای همه کلاس ها، یا اندازه های مختلف برای هر کلاس
به ترتیب. پیش فرض: 100)

-CB نام فایل, --کیف کلاسی نام فایل
خروجی برای هر بوت استرپ مجزا (پیش‌فرض خالی است)

-- مشکل نام فایل
تصویر احتمال پیش فرض تصویر احتمالی نیست

ساخته عدد, --نا عدد
تعداد امتیازهای آموزشی فعال (پیش فرض: 1)

مثال

طبقه بندی تصویر ورودی input.tif با یک شبکه عصبی مصنوعی با استفاده از یک لایه پنهان
با 5 نورون یک نمونه آموزشی که به عنوان مجموعه داده برداری OGR ارائه شده است. آن شامل
همه ویژگی ها (ابعاد مشابه input.tif) در فیلدهای آن (لطفا بررسی کنید pkextract(1)
در مورد چگونگی به دست آوردن چنین فایلی از یک فایل برداری "تمیز" که فقط حاوی مکان ها است). آ
اعتبارسنجی متقاطع دو برابری (cv) انجام می شود (خروجی روی صفحه).

pkann -i input.tif -t train.sqlite -o خروجی.tif -- نورون 5 -CV 2

مانند مثال بالا، اما از دو لایه پنهان با 15 و 5 نورون استفاده کنید.

pkann -i input.tif -t train.sqlite -o خروجی.tif -- نورون 15 -- نورون 5 -CV 2

با استفاده از خدمات onworks.net از pkann به صورت آنلاین استفاده کنید