pkann - ക്ലൗഡിൽ ഓൺലൈനിൽ

പട്ടിക:

NAME

pkann - ആർട്ടിഫിഷ്യൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് ഉപയോഗിച്ച് റാസ്റ്റർ ഇമേജ് തരംതിരിക്കുക

സിനോപ്സിസ്

pkann -t പരിശീലനം [-i ഇൻപുട്ട്] [-സിവി മൂല്യം] [ഓപ്ഷനുകൾ] [വിപുലമായ ഓപ്ഷനുകൾ]

വിവരണം

pkann മേൽനോട്ടത്തിലുള്ള വർഗ്ഗീകരണം പരിഹരിക്കാൻ ഒരു കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്ക് (ANN) നടപ്പിലാക്കുന്നു
പ്രശ്നം. ഓപ്പൺ സോഴ്‌സ് C++ ലൈബ്രറിയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് നടപ്പിലാക്കൽ ( fann ⟨http://
leenissen.dk/fann/wp/⟩ ). റാസ്റ്റർ, വെക്റ്റർ ഫയലുകൾ ഇൻപുട്ടായി പിന്തുണയ്ക്കുന്നു. ദി
ഔട്ട്പുട്ടിൽ റാസ്റ്റർ അല്ലെങ്കിൽ വെക്റ്റർ ഫോർമാറ്റിൽ വർഗ്ഗീകരണ ഫലം അടങ്ങിയിരിക്കും,
ഇൻപുട്ടിന്റെ ഫോർമാറ്റുമായി പൊരുത്തപ്പെടുന്നു. ഒരു OGR ആയി ഒരു പരിശീലന സാമ്പിൾ നൽകണം
ക്ലാസ് ലേബലുകളും ഓരോ പരിശീലന പോയിന്റിനുമുള്ള സവിശേഷതകളും ഉൾക്കൊള്ളുന്ന വെക്റ്റർ ഡാറ്റാസെറ്റ്.
പരിശീലന ഘട്ടത്തിൽ പോയിന്റ് ലൊക്കേഷനുകൾ പരിഗണിക്കില്ല. നിങ്ങൾക്ക് ഇത് തന്നെ ഉപയോഗിക്കാം
വ്യത്യസ്‌ത ചിത്രങ്ങളെ തരംതിരിക്കുന്നതിനുള്ള പരിശീലന സാമ്പിൾ, ബാൻഡുകളുടെ എണ്ണം നൽകി
ചിത്രങ്ങൾ സമാനമാണ്. യൂട്ടിലിറ്റി ഉപയോഗിക്കുക pkextract(1) അനുയോജ്യമായ ഒരു പരിശീലന മാതൃക സൃഷ്ടിക്കാൻ,
പോയിന്റുകളുടെയോ ബഹുഭുജങ്ങളുടെയോ സാമ്പിൾ അടിസ്ഥാനമാക്കി. റാസ്റ്റർ ഔട്ട്പുട്ട് മാപ്പുകൾക്കായി നിങ്ങൾക്ക് ഒരു നിറം അറ്റാച്ചുചെയ്യാം
ഓപ്ഷൻ ഉപയോഗിച്ച് പട്ടിക -ct.

ഓപ്ഷനുകൾ

-i ഫയലിന്റെ പേര്, --ഇൻപുട്ട് ഫയലിന്റെ പേര്
ഇൻപുട്ട് ചിത്രം

-t ഫയലിന്റെ പേര്, --പരിശീലനം ഫയലിന്റെ പേര്
പരിശീലന വെക്റ്റർ ഫയൽ. ഒരൊറ്റ വെക്റ്റർ ഫയലിൽ എല്ലാ പരിശീലന സവിശേഷതകളും അടങ്ങിയിരിക്കുന്നു (അതായിരിക്കണം
എല്ലാ ക്ലാസുകൾക്കും ഇതായി സജ്ജീകരിക്കുക: B0, B1, B2,...) (ലേബൽ ഓപ്‌ഷൻ വഴി തിരിച്ചറിഞ്ഞ ക്ലാസ് നമ്പറുകൾ).
ബൂട്ട്‌സ്‌ട്രാപ്പ് അഗ്രഗേഷനായി ഒന്നിലധികം പരിശീലന ഫയലുകൾ ഉപയോഗിക്കുക (ഇതിന് പകരമായി --ബാഗ് ഒപ്പം
-- വലിപ്പം ഓപ്‌ഷനുകൾ, ഒരൊറ്റ പരിശീലന ഫയലിൽ നിന്ന് റാൻഡം സബ്‌സെറ്റ് എടുക്കുന്നിടത്ത്)

-tln പാളി, --tln പാളി
പരിശീലന പാളിയുടെ പേര്(ങ്ങൾ)

-ലേബൽ ആട്രിബ്യൂട്ട്, --ലേബൽ ആട്രിബ്യൂട്ട്
പരിശീലന വെക്റ്റർ ഫയലിലെ ക്ലാസ് ലേബലിനുള്ള ഐഡന്റിഫയർ. (സ്ഥിരസ്ഥിതി: ലേബൽ)

-മുമ്പ് മൂല്യം, --മുമ്പ് മൂല്യം
ഓരോ ക്ലാസിനുമുള്ള മുൻ സാധ്യതകൾ (ഉദാ. -മുമ്പ് 0.3 -മുമ്പ് 0.3 -മുമ്പ് 0.2)

-സിവി മൂല്യം, --സിവി മൂല്യം
n-fold ക്രോസ് മൂല്യനിർണ്ണയ മോഡ് (ഡിഫോൾട്ട്: 0)

-nn അക്കം, --ന്യൂറോൺ അക്കം
ന്യൂറൽ നെറ്റ്‌വർക്കിലെ മറഞ്ഞിരിക്കുന്ന പാളികളിലെ ന്യൂറോണുകളുടെ എണ്ണം (ഒന്നിലധികം മറഞ്ഞിരിക്കുന്ന പാളികൾ
ഒന്നിലധികം ന്യൂറോണുകളുടെ എണ്ണം നിർവചിച്ചുകൊണ്ട് സജ്ജമാക്കുക: -nn 15 -nn 1, ഡിഫോൾട്ട് ഒന്ന് മറച്ചിരിക്കുന്നു
5 ന്യൂറോണുകളുള്ള പാളി)

-m ഫയലിന്റെ പേര്, --മാസ്ക് ഫയലിന്റെ പേര്
നിർദ്ദിഷ്ട മാസ്കിനുള്ളിൽ (വെക്റ്റർ അല്ലെങ്കിൽ റാസ്റ്റർ) മാത്രം തരംതിരിക്കുക. റാസ്റ്റർ മാസ്കിനായി, സജ്ജമാക്കുക
ഓപ്‌ഷനോടുകൂടിയ നോഡാറ്റ മൂല്യങ്ങൾ --msknodata.

-msknodata മൂല്യം, --msknodata മൂല്യം
മാസ്ക് മൂല്യം(കൾ) വർഗ്ഗീകരണത്തിനായി പരിഗണിക്കേണ്ടതില്ല. മൂല്യങ്ങൾ ഏറ്റെടുക്കും
വർഗ്ഗീകരണ ചിത്രം. സ്ഥിരസ്ഥിതി 0 ആണ്.

-ഡാറ്റാ ഇല്ല മൂല്യം, --ഡാറ്റാ ഇല്ല മൂല്യം
നോഡാറ്റയായി ഇമേജ് മാസ്ക് ചെയ്‌തിരിക്കുന്നിടത്ത് ഇടാനുള്ള നോഡാറ്റ മൂല്യം (ഡിഫോൾട്ട്: 0)

-o ഫയലിന്റെ പേര്, --ഔട്ട്പുട്ട് ഫയലിന്റെ പേര്
ഔട്ട്പുട്ട് വർഗ്ഗീകരണ ചിത്രം

-അല്ല ടൈപ്പ് ചെയ്യുക, --ടൈപ്പ് ടൈപ്പ് ചെയ്യുക
ഔട്ട്പുട്ട് ഇമേജിനുള്ള ഡാറ്റ തരം ({Byte / Int16 / UInt16 / UInt32 / Int32 / Float32 /
Float64 / CInt16 / CInt32 / CFloat32 / CFloat64}). ശൂന്യമായ സ്ട്രിംഗ്: പാരമ്പര്യ തരത്തിൽ നിന്ന്
ഇൻപുട്ട് ചിത്രം

-ഓഫ് GDAL ഫോർമാറ്റ്, --ഓഫോർമാറ്റ് GDAL ഫോർമാറ്റ്
ഔട്ട്പുട്ട് ഇമേജ് ഫോർമാറ്റ് (ഇതും കാണുക gdal_translate(1)). ശൂന്യമായ സ്ട്രിംഗ്: ഇൻപുട്ടിൽ നിന്ന് അവകാശം നേടുക
ചിത്രം

-f OGR ഫോർമാറ്റ്, --എഫ് OGR ഫോർമാറ്റ്
സജീവ പരിശീലന സാമ്പിളിനായുള്ള ഔട്ട്പുട്ട് ogr ഫോർമാറ്റ് (ഡിഫോൾട്ട്: SQLite)

-ct ഫയലിന്റെ പേര്, --ct ഫയലിന്റെ പേര്
5 നിരകളുള്ള ASCII ഫോർമാറ്റിലുള്ള വർണ്ണ പട്ടിക: id RGB ALFA (0: സുതാര്യം, 255:
ഖര)

-സഹ NAME=VALUE, --co NAME=VALUE
ഔട്ട്പുട്ട് ഫയലിനുള്ള ക്രിയേഷൻ ഓപ്ഷൻ. ഒന്നിലധികം ഓപ്ഷനുകൾ വ്യക്തമാക്കാൻ കഴിയും.

-c പേര്, --ക്ലാസ് പേര്
ക്ലാസ് പേരുകളുടെ പട്ടിക.

-r മൂല്യം, --റീക്ലാസ് മൂല്യം
ക്ലാസ് മൂല്യങ്ങളുടെ പട്ടിക (ഇൻ്റെ അതേ ക്രമം ഉപയോഗിക്കുക --ക്ലാസ് ഓപ്ഷൻ).

-v 0|1|2, --വാക്കുകൾ 0|1|2
സജ്ജമാക്കുക: 0 (ഫലങ്ങൾ മാത്രം), 1 (ആശയക്കുഴപ്പം മാട്രിക്സ്), 2 (ഡീബഗ്)

വിപുലമായ ഓപ്ഷനുകൾ

-ബല് വലുപ്പം, --ബാലൻസ് വലുപ്പം
ഓരോ ക്ലാസിനുമുള്ള ഈ എണ്ണം സാമ്പിളുകളിലേക്ക് ഇൻപുട്ട് ഡാറ്റ ബാലൻസ് ചെയ്യുക (ഡിഫോൾട്ട്: 0)

-മിനിറ്റ് അക്കം, --മിനിറ്റ് അക്കം
പരിശീലന പിക്സലുകളുടെ എണ്ണം കുറവാണെങ്കിൽ, ഈ ക്ലാസ് കണക്കിലെടുക്കരുത്
(0: എല്ലാ ക്ലാസുകളും പരിഗണിക്കുക)

-b ബാൻഡ്, --ബാൻഡ് ബാൻഡ്
ബാൻഡ് സൂചിക (0 മുതൽ ആരംഭിക്കുക, ഒന്നുകിൽ ഉപയോഗിക്കുക --ബാൻഡ് ഓപ്ഷൻ അല്ലെങ്കിൽ ഉപയോഗം --ആരംഭിക്കുക ലേക്ക് --അവസാനിക്കുന്നു)

-sband ബാൻഡ്, --സ്റ്റാർട്ട്ബാൻഡ് ബാൻഡ്
സ്റ്റാർട്ട് ബാൻഡ് സീക്വൻസ് നമ്പർ (ഡിഫോൾട്ട്: 0)

-ഇബാൻഡ് ബാൻഡ്, --എൻഡ്ബാൻഡ് ബാൻഡ്
അവസാന ബാൻഡ് സീക്വൻസ് നമ്പർ

-ഓഫ്സെറ്റ് മൂല്യം, --ഓഫ്സെറ്റ് മൂല്യം
ഓരോ സ്പെക്ട്രൽ ബാൻഡ് ഇൻപുട്ട് സവിശേഷതകൾക്കും ഓഫ്സെറ്റ് മൂല്യം:
refl[band]=(DN[band]-offset[band])/scale[band]

- സ്കെയിൽ മൂല്യം, --സ്കെയിൽ മൂല്യം
ഓരോ സ്പെക്ട്രൽ ബാൻഡ് ഇൻപുട്ട് സവിശേഷതകൾക്കുമുള്ള സ്കെയിൽ മൂല്യം:
refl=(DN[band]-offset[band])/scale[band]

-a XXX | 1, --ആകെ XXX | 1
അഗ്രഗേറ്റഡ് ക്ലാസിഫയറുകൾ എങ്ങനെ സംയോജിപ്പിക്കാം, ഇതും കാണുക --ആർസി ഓപ്ഷൻ (1: സം റൂൾ, 2: പരമാവധി
ഭരണം).

--കണക്ഷൻ XXX | 0
കണക്ഷൻ നിരക്ക് (ഡീഫോൾട്ട്: 1.0 പൂർണ്ണമായി ബന്ധിപ്പിച്ച നെറ്റ്‌വർക്കിന്)

-w തൂക്കം, --ഭാരം തൂക്കം
ന്യൂറൽ നെറ്റ്‌വർക്കിനുള്ള ഭാരം. പൂർണ്ണമായി ബന്ധിപ്പിച്ച നെറ്റ്‌വർക്കിലേക്ക് മാത്രം പ്രയോഗിക്കുക, ആരംഭിക്കുന്നു
ബയസ് ന്യൂറോണുകൾ (അവസാന ന്യൂറോണുകൾ ഉൾപ്പെടെ) ആദ്യ ഇൻപുട്ട് ന്യൂറോൺ അവസാന ഔട്ട്പുട്ട് ന്യൂറോണിലേക്ക്
ഓരോ എന്നാൽ അവസാന പാളിയിലും)

-l നിരക്ക്, --പഠനം നിരക്ക്
പഠന നിരക്ക് (സ്ഥിരസ്ഥിതി: 0.7)

--മാക്സിറ്റ് അക്കം
പരമാവധി ആവർത്തനങ്ങളുടെ എണ്ണം (യുഗം) (സ്ഥിരസ്ഥിതി: 500)

-ചീപ്പ് ഭരണം, --ചീപ്പ് ഭരണം
ബൂട്ട്സ്ട്രാപ്പ് അഗ്രഗേഷൻ ക്ലാസിഫയറുകൾ എങ്ങനെ സംയോജിപ്പിക്കാം (0: സം റൂൾ, 1: ഉൽപ്പന്ന നിയമം, 2:
പരമാവധി നിയമം). ക്ലാസുകൾ സമാഹരിക്കാനും ഉപയോഗിക്കുന്നു --ആർസി ഓപ്ഷൻ. ഡിഫോൾട്ട് സം റൂൾ ആണ്
(0)

- ബാഗ് മൂല്യം, --ബാഗ് മൂല്യം
ബൂട്ട്‌സ്‌ട്രാപ്പ് അഗ്രഗേഷനുകളുടെ എണ്ണം (ഡിഫോൾട്ട് ബാഗിംഗ് ഇല്ല: 1)

-bs മൂല്യം, -- വലിപ്പം മൂല്യം
ഓരോ ബൂട്ട്‌സ്‌ട്രാപ്പിനും ലഭ്യമായ പരിശീലന ഫീച്ചറുകളിൽ നിന്ന് ഉപയോഗിക്കുന്ന ഫീച്ചറുകളുടെ ശതമാനം
അഗ്രഗേഷൻ (എല്ലാ ക്ലാസുകൾക്കും ഒരു വലുപ്പം, അല്ലെങ്കിൽ ഓരോ ക്ലാസിനും വ്യത്യസ്ത വലുപ്പം
യഥാക്രമം. സ്ഥിരസ്ഥിതി: 100)

-സിബി ഫയലിന്റെ പേര്, --ക്ലാസ്ബാഗ് ഫയലിന്റെ പേര്
ഓരോ വ്യക്തിഗത ബൂട്ട്സ്ട്രാപ്പ് അഗ്രഗേഷനുമുള്ള ഔട്ട്പുട്ട് (സ്ഥിരസ്ഥിതി ശൂന്യമാണ്)

--പ്രോബ് ഫയലിന്റെ പേര്
സാധ്യത ചിത്രം. ഡിഫോൾട്ട് പ്രോബബിലിറ്റി ചിത്രമല്ല

സൃഷ്ടിച്ചു അക്കം, --ന അക്കം
സജീവ പരിശീലന പോയിന്റുകളുടെ എണ്ണം (സ്ഥിരസ്ഥിതി: 1)

ഉദാഹരണം

ഇൻപുട്ട് ഇമേജ് തരംതിരിക്കുക input.tif ഒരു കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്ക് ഉപയോഗിച്ച് ഒരു മറഞ്ഞിരിക്കുന്ന പാളി ഉപയോഗിച്ച്
5 ന്യൂറോണുകൾ ഉള്ളത്. OGR വെക്റ്റർ ഡാറ്റാസെറ്റായി നൽകിയിരിക്കുന്ന പരിശീലന സാമ്പിൾ. അതിൽ അടങ്ങിയിരിക്കുന്നു
എല്ലാ സവിശേഷതകളും (അതേ മാനം input.tif) അതിന്റെ ഫീൽഡുകളിൽ (ദയവായി പരിശോധിക്കുക pkextract(1)
ലൊക്കേഷനുകൾ മാത്രമുള്ള ഒരു "ക്ലീൻ" വെക്റ്റർ ഫയലിൽ നിന്ന് അത്തരമൊരു ഫയൽ എങ്ങനെ നേടാം എന്നതിനെക്കുറിച്ച്). എ
രണ്ട് മടങ്ങ് ക്രോസ് മൂല്യനിർണ്ണയം (സിവി) നടത്തുന്നു (സ്ക്രീനിൽ ഔട്ട്പുട്ട്).

pkann -i input.tif -t പരിശീലനം.sqlite -o output.tif --ന്യൂറോൺ 5 -സിവി 2

മുകളിലുള്ള അതേ ഉദാഹരണം, എന്നാൽ യഥാക്രമം 15, 5 ന്യൂറോണുകളുള്ള രണ്ട് മറഞ്ഞിരിക്കുന്ന പാളികൾ ഉപയോഗിക്കുക.

pkann -i input.tif -t പരിശീലനം.sqlite -o output.tif --ന്യൂറോൺ 15 --ന്യൂറോൺ 5 -സിവി 2

onworks.net സേവനങ്ങൾ ഉപയോഗിച്ച് pkann ഓൺലൈനായി ഉപയോഗിക്കുക