pkann - क्लाउड में ऑनलाइन

कार्यक्रम:

नाम

pkann - कृत्रिम तंत्रिका नेटवर्क का उपयोग करके रेखापुंज छवि को वर्गीकृत करें

SYNOPSIS

पकान्नो -t ट्रेनिंग [-i निवेश] [-सीवी मूल्य] [विकल्पों] [उन्नत विकल्पों]

वर्णन

पकान्नो पर्यवेक्षित वर्गीकरण को हल करने के लिए एक कृत्रिम तंत्रिका नेटवर्क (एएनएन) लागू करता है
संकट। कार्यान्वयन ओपन सोर्स C++ लाइब्रेरी पर आधारित है ( fann ⟨http://
leenissen.dk/fann/wp/⟩)। रेखापुंज और वेक्टर दोनों फाइलें इनपुट के रूप में समर्थित हैं। NS
आउटपुट में वर्गीकरण परिणाम होगा, या तो रेखापुंज या वेक्टर प्रारूप में,
इनपुट के प्रारूप के अनुरूप। एक प्रशिक्षण नमूना एक OGR के रूप में प्रदान किया जाना चाहिए
वेक्टर डेटासेट जिसमें प्रत्येक प्रशिक्षण बिंदु के लिए वर्ग लेबल और विशेषताएं शामिल हैं।
प्रशिक्षण चरण में बिंदु स्थानों पर विचार नहीं किया जाता है। आप उसी का उपयोग कर सकते हैं
विभिन्न छवियों को वर्गीकृत करने के लिए प्रशिक्षण नमूना, बशर्ते बैंड की संख्या
चित्र समान हैं। उपयोगिता का प्रयोग करें pkextract(1) उपयुक्त प्रशिक्षण नमूना बनाने के लिए,
बिंदुओं या बहुभुजों के नमूने के आधार पर। रेखापुंज आउटपुट मानचित्रों के लिए आप एक रंग संलग्न कर सकते हैं
विकल्प का उपयोग कर तालिका -सीटी.

विकल्प

-i फ़ाइल का नाम, --इनपुट फ़ाइल का नाम
इनपुट छवि

-t फ़ाइल का नाम, --प्रशिक्षण फ़ाइल का नाम
प्रशिक्षण वेक्टर फ़ाइल। एक एकल वेक्टर फ़ाइल में सभी प्रशिक्षण सुविधाएँ होती हैं (होनी चाहिए
के रूप में सेट करें: B0, B1, B2,...) सभी वर्गों के लिए (लेबल विकल्प द्वारा पहचाने गए वर्ग संख्या)।
बूटस्ट्रैप एकत्रीकरण के लिए एकाधिक प्रशिक्षण फ़ाइलों का उपयोग करें (विकल्प --थैला और
-- आकार विकल्प, जहां एक एकल प्रशिक्षण फ़ाइल से एक यादृच्छिक उपसमुच्चय लिया जाता है)

-टीएलएनई परत, --tln परत
प्रशिक्षण परत का नाम

-लेबल गुण, --लेबल गुण
प्रशिक्षण वेक्टर फ़ाइल में वर्ग लेबल के लिए पहचानकर्ता। (डिफ़ॉल्ट: लेबल)

-पूर्व मूल्य, --पूर्व मूल्य
प्रत्येक वर्ग के लिए पूर्व संभावनाएँ (जैसे, -पूर्व 0.3 -पूर्व 0.3 -पूर्व 0.2)

-सीवी मूल्य, --सीवी मूल्य
एन-फोल्ड क्रॉस सत्यापन मोड (डिफ़ॉल्ट: 0)

-एनएन संख्या, --न्यूरॉन संख्या
तंत्रिका नेटवर्क में छिपी परतों में न्यूरॉन्स की संख्या (कई छिपी हुई परतें हैं
कई संख्या में न्यूरॉन्स को परिभाषित करके सेट करें: -एनएन 15 -एनएन 1, डिफ़ॉल्ट एक छिपा हुआ है
5 न्यूरॉन्स के साथ परत)

-m फ़ाइल का नाम, --मुखौटा फ़ाइल का नाम
केवल निर्दिष्ट मास्क (वेक्टर या रेखापुंज) के भीतर वर्गीकृत करें। रास्टर मास्क के लिए, सेट करें
विकल्प के साथ नोडटा मान --msknodata.

-मस्कनोडेटा मूल्य, --msknodata मूल्य
मुखौटा मूल्य (ओं) को वर्गीकरण के लिए विचार नहीं करना चाहिए। मूल्यों में ले लिया जाएगा
वर्गीकरण छवि। डिफ़ॉल्ट 0 है।

-कोई आकड़ा उपलब्ध नहीं है मूल्य, --कोई आकड़ा उपलब्ध नहीं है मूल्य
जहां छवि को नोडाटा के रूप में मास्क किया गया है, वहां डालने के लिए नोडटा मान (डिफ़ॉल्ट: 0)

-o फ़ाइल का नाम, --आउटपुट फ़ाइल का नाम
आउटपुट वर्गीकरण छवि

-ओटी टाइप, --ओटाइप टाइप
आउटपुट छवि के लिए डेटा प्रकार ({Byte / Int16 / UInt16 / UInt32 / Int32 / Float32 /
फ्लोट64 / CInt16 / CInt32 / CFloat32 / CFloat64})। खाली स्ट्रिंग: इनहेरिट प्रकार से
इनपुट छवि

-का जीडीएएलफॉर्मेट, --offormat जीडीएएलफॉर्मेट
आउटपुट छवि प्रारूप (यह भी देखें गदल_अनुवाद(1))। खाली स्ट्रिंग: इनपुट से इनहेरिट करें
की छवि

-f ओजीआरफॉर्मेट, --फ ओजीआरफॉर्मेट
सक्रिय प्रशिक्षण नमूने के लिए आउटपुट ओजीआर प्रारूप (डिफ़ॉल्ट: SQLite)

-सीटी फ़ाइल का नाम, --सीटी फ़ाइल का नाम
5 कॉलम वाले ASCII प्रारूप में रंग तालिका: आईडी RGB ALFA (0: पारदर्शी, 255:
ठोस)

-को नाम = मान, --को नाम = मान
आउटपुट फ़ाइल के लिए निर्माण विकल्प। एकाधिक विकल्प निर्दिष्ट किए जा सकते हैं।

-c नाम, --कक्षा नाम
वर्ग के नामों की सूची।

-r मूल्य, --रीक्लास मूल्य
वर्ग मूल्यों की सूची (उसी क्रम का उपयोग करें जैसे in --कक्षा विकल्प)।

-v 0 | 1 | 2, --शब्दशः 0 | 1 | 2
इस पर सेट करें: 0 (केवल परिणाम), 1 (भ्रम मैट्रिक्स), 2 (डीबग)

उन्नत विकल्प

-bal आकार, --संतुलन आकार
प्रत्येक वर्ग के लिए इनपुट डेटा को नमूनों की इस संख्या में संतुलित करें (डिफ़ॉल्ट: 0)

सफाई MIN संख्या, --मिन संख्या
यदि प्रशिक्षण पिक्सेल की संख्या कम है तो न्यूनतम, इस वर्ग को ध्यान में न रखें
(0: सभी वर्गों पर विचार करें)

-b बैंड, --बैंड बैंड
बैंड इंडेक्स (0 से शुरू, या तो उपयोग करें --बैंड विकल्प या उपयोग --प्रारंभ सेवा मेरे --समाप्त)

-सबंद बैंड, --स्टार्टबैंड बैंड
प्रारंभ बैंड अनुक्रम संख्या (डिफ़ॉल्ट: 0)

-ईबंद बैंड, --एंडबैंड बैंड
अंत बैंड अनुक्रम संख्या

-ऑफसेट मूल्य, --ऑफसेट मूल्य
प्रत्येक वर्णक्रमीय बैंड इनपुट सुविधाओं के लिए ऑफ़सेट मान:
रेफ्ल [बैंड] = (डीएन [बैंड] -ऑफ़सेट [बैंड])/स्केल [बैंड]

-काले मूल्य, --पैमाना मूल्य
प्रत्येक वर्णक्रमीय बैंड इनपुट सुविधाओं के लिए स्केल मान:
ref=(DN[बैंड]-ऑफ़सेट[बैंड])/स्केल[बैंड]

-a 1 | 2, --एग्रीग 1 | 2
समेकित क्लासिफायर को कैसे संयोजित करें, यह भी देखें --आरसी विकल्प (1: योग नियम, 2: अधिकतम
नियम)।

--कनेक्शन 0 | 1
कनेक्शन दर (डिफ़ॉल्ट: 1.0 पूरी तरह से जुड़े नेटवर्क के लिए)

-w भार, --वजन भार
तंत्रिका नेटवर्क के लिए वजन। से शुरू होकर केवल पूरी तरह से जुड़े नेटवर्क पर लागू करें
बायस न्यूरॉन्स (अंतिम न्यूरॉन) सहित अंतिम आउटपुट न्यूरॉन के लिए पहला इनपुट न्यूरॉन
प्रत्येक लेकिन अंतिम परत में)

-l दर, --सीख रहा हूँ दर
सीखने की दर (डिफ़ॉल्ट: 0.7)

--मैक्सिट संख्या
अधिकतम पुनरावृत्तियों की संख्या (युग) (डिफ़ॉल्ट: 500)

-कंघी शासन, --कंघी शासन
बूटस्ट्रैप एग्रीगेशन क्लासिफायर को कैसे संयोजित करें (0: योग नियम, 1: उत्पाद नियम, 2:
अधिकतम नियम)। इसके साथ कक्षाओं को एकत्रित करने के लिए भी प्रयोग किया जाता है --आरसी विकल्प। डिफ़ॉल्ट योग नियम है
(0)

-बाग मूल्य, --थैला मूल्य
बूटस्ट्रैप एकत्रीकरण की संख्या (डिफ़ॉल्ट कोई बैगिंग नहीं है: 1)

-बीएसई मूल्य, -- आकार मूल्य
प्रत्येक बूटस्ट्रैप के लिए उपलब्ध प्रशिक्षण सुविधाओं से उपयोग की जाने वाली सुविधाओं का प्रतिशत
एकत्रीकरण (सभी वर्गों के लिए एक आकार, या प्रत्येक वर्ग के लिए एक अलग आकार
क्रमश। डिफ़ॉल्ट: 100)

-सीबी फ़ाइल का नाम, --क्लासबैग फ़ाइल का नाम
प्रत्येक व्यक्तिगत बूटस्ट्रैप एकत्रीकरण के लिए आउटपुट (डिफ़ॉल्ट खाली है)

--प्रोब फ़ाइल का नाम
संभाव्यता छवि। डिफ़ॉल्ट कोई संभाव्यता छवि नहीं है

बनाया संख्या, --ना संख्या
सक्रिय प्रशिक्षण बिंदुओं की संख्या (डिफ़ॉल्ट: 1)

उदाहरण

इनपुट छवि वर्गीकृत करें इनपुट.tif एक छिपी हुई परत का उपयोग करके कृत्रिम तंत्रिका नेटवर्क के साथ
5 न्यूरॉन्स के साथ। एक प्रशिक्षण नमूना जो OGR वेक्टर डेटासेट के रूप में प्रदान किया जाता है। इसमें है
सभी सुविधाएँ (समान आयामीता) इनपुट.tif) इसके क्षेत्रों में (कृपया जाँच करें pkextract(1)
केवल स्थानों वाली "क्लीन" वेक्टर फ़ाइल से ऐसी फ़ाइल कैसे प्राप्त करें)। ए
दो गुना क्रॉस सत्यापन (सीवी) किया जाता है (स्क्रीन पर आउटपुट)।

पकान्नो -i इनपुट.tif -t ट्रेनिंग.स्क्लाइट -o आउटपुट.tif --न्यूरॉन 5 -सीवी 2

ऊपर के समान उदाहरण, लेकिन क्रमशः 15 और 5 न्यूरॉन्स के साथ दो छिपी हुई परतों का उपयोग करें।

पकान्नो -i इनपुट.tif -t ट्रेनिंग.स्क्लाइट -o आउटपुट.tif --न्यूरॉन 15 --न्यूरॉन 5 -सीवी 2

onworks.net सेवाओं का उपयोग करके ऑनलाइन pkann का उपयोग करें