pksvm - Online w chmurze

PROGRAM:

IMIĘ

pksvm - klasyfikuj obraz rastrowy za pomocą maszyny wektorów nośnych

STRESZCZENIE

pksvm -t trening [-i wkład] [-o wydajność] [-cv wartość] [Opcje] [zaawansowany Opcje]

OPIS

pksvm implementuje maszynę wektorów nośnych (SVM) w celu rozwiązania klasyfikacji nadzorowanej
problem. Implementacja oparta jest na bibliotece open source C++ libSVM
(http://www.csie.ntu.edu.tw/~cjlin/libsvm). Obsługiwane są zarówno pliki rastrowe, jak i wektorowe.
wejście. Wyjście będzie zawierać wynik klasyfikacji, w postaci rastrowej lub wektorowej
format, odpowiadający formatowi danych wejściowych. Należy dostarczyć próbkę szkoleniową jako
zbiór danych wektorowych OGR zawierający etykiety klas i cechy dla każdego treningu
punkt. Lokalizacje punktów nie są brane pod uwagę w kroku treningu. Możesz użyć tego samego
próbka treningowa do klasyfikacji różnych obrazów, pod warunkiem liczby pasm
obrazy są identyczne. Użyj narzędzia pkextract, aby utworzyć odpowiednią próbkę treningową,
na podstawie próbki punktów lub wielokątów. W przypadku rastrowych map wyjściowych można dołączyć kolor
tabeli za pomocą opcji -ct.

OPCJE

-t filename, --szkolenie filename
Plik wektorowy treningowy. Pojedynczy plik wektorowy zawiera wszystkie cechy treningowe (musi być
ustawić jako: b0, b1, b2,...) dla wszystkich klas (numery klas identyfikowane poprzez opcję etykiety).
Użyj wielu plików szkoleniowych do agregacji ładowania początkowego (alternatywa dla --torba oraz
--rozmiar torby opcje, gdzie losowy podzbiór jest pobierany z pojedynczego pliku szkoleniowego)

-i filename, --Wejście filename
obraz wejściowy

-o filename, --wyjście filename
Obraz klasyfikacji wyjściowej

-cv wartość, --cv wartość
Tryb walidacji krzyżowej N-krotnej (domyślnie: 0)

-tln warstwa, --tln warstwa
Nazwy warstw szkoleniowych

-c Nazwa, --klasa Nazwa
Lista nazw klas.

-r wartość, --przeklasyfikować wartość
Lista wartości klas (zastosuj tę samą kolejność, co w --klasa opcja).

-z Format GDAL, --format Format GDAL
Format obrazu wyjściowego (zobacz także gdal_translate(1)).

-f format, --fa format
Format wyjściowy ogr dla aktywnej próbki szkoleniowej

-współ NAZWA=WARTOŚĆ, --współ NAZWA=WARTOŚĆ
Opcja tworzenia pliku wyjściowego. Można określić wiele opcji.

-ct filename, --kt filename
Tabela kolorów w formacie ASCII posiadająca 5 kolumn: id RGB ALFA (0: przezroczysty, 255:
solidny)

-etykieta atrybut, --etykieta atrybut
Identyfikator etykiety klasy w pliku wektora szkoleniowego. (domyślnie: etykieta)

-wcześniejszy wartość, --wcześniejszy wartość
Prawdopodobieństwo wcześniejsze dla każdej klasy (np. -wcześniejszy 0.3 -wcześniejszy 0.3 -wcześniejszy 0.2) Używany
tylko do wprowadzania danych (ignorowane przy walidacji krzyżowej)

-g gamma, --gamma gamma
Gamma w funkcji jądra

-cc koszt, --koszt koszt
Parametr C C_SVC, epsilon_SVR i nu_SVR

-m filename, --maska filename
Klasyfikuj tylko w ramach określonej maski (wektorowej lub rastrowej). W przypadku maski rastrowej ustaw
wartości nodata z opcją --msknodane.

-msknodata wartość, --msknodane wartość
Wartość(y) maski nie są brane pod uwagę przy klasyfikacji. Wartości zostaną przejęte w
obraz klasyfikacyjny.

-brak danych wartość, --brak danych wartość
Wartość Nodata do umieszczenia w miejscu, w którym obraz jest maskowany jako Nodata

-v poziom, --gadatliwy poziom
Poziom szczegółowy

Opcje zaawansowane

-b pasmo, --zespół muzyczny pasmo
Indeks pasma (zaczynając od 0, użyj albo --zespół muzyczny opcję lub użycie --pasmo startowe do
--koniec)

-pasmo pasmo, --pasmo startowe pasmo
Rozpocznij numer kolejny pasma

-opuść pasmo, --koniec pasmo
Numer kolejny pasma końcowego

-bal rozmiar, --saldo rozmiar
Zrównoważ dane wejściowe do tej liczby próbek dla każdej klasy

- min numer, -- min numer
Jeżeli liczba pikseli treningowych jest mniejsza niż min, nie bierz tej klasy pod uwagę
(0: rozważ wszystkie klasy)

-torba wartość, --torba wartość
Liczba agregacji ładowania początkowego (domyślnie brak pakowania: 1)

-rozmiar torby wartość, --rozmiar torby wartość
Procent wykorzystanych funkcji z dostępnych funkcji szkoleniowych dla każdego bootstrapu
agregacja (jeden rozmiar dla wszystkich klas lub inny rozmiar dla każdej klasy
odpowiednio

-grzebień rządzić, --grzebień rządzić
Jak łączyć klasyfikatory agregacji bootstrapowej (0: reguła sumy, 1: reguła iloczynu, 2:
max rule). Używana również do agregowania klas z opcją rc.

-cb filename, --torba z klasami filename
Dane wyjściowe dla każdej indywidualnej agregacji bootstrapowej

-prawda filename, --prawdopodobnie filename
Obraz prawdopodobieństwa.

-zrównoważyć wartość, --zrównoważyć wartość
Wartość przesunięcia dla każdej cechy wejściowej pasma widmowego:
refl[pasmo]=(DN[pasmo]-offset[pasmo])/skala[pasmo]

-skala wartość, --skala wartość
Wartość skali dla każdej cechy wejściowej pasma widmowego:
refl=(DN[pasmo]-offset[pasmo])/skala[pasmo] (użyj 0, jeśli skala jest minimalna i maksymalna w każdym paśmie
do -1.0 i 1.0)

-svmt rodzaj, --svmtyp rodzaj
Typ SVM (C_SVC, nu_SVC, one_class, epsilon_SVR, nu_SVR)

-kt rodzaj, --typ jądra rodzaj
Typ funkcji jądra (liniowa, wielomianowa, radialna, sigmoidalna)

-kd wartość, -- kd wartość
Dyplom w zakresie funkcji jądra

-c0 wartość, --współczynnik0 wartość
Współczynnik 0 w funkcji jądra

-nie wartość, --nie wartość
Parametr nu nu-SVC, jednoklasowej SVM i nu-SVR

-strata wartość, --estrata wartość
Epsilon w funkcji strat epsilon-SVR

-Pamięć podręczna numer, --Pamięć podręczna numer
Pamięć podręczna ⟨http://pktools.nongnu.org/html/classCache.html⟩ rozmiar pamięci w MB (domyślnie:
100)

-etol wartość, --etol wartość
tolerancja kryterium zakończenia (domyślnie: 0.001)

-kurczyć, --kurczyć
Czy stosować heurystykę zmniejszającą

-nie numer, --aktywny numer
Liczba aktywnych punktów szkoleniowych

PRZYKŁAD

Klasyfikuj obraz wejściowy input.tif za pomocą maszyny wektorów nośnych. Przykład treningowy, który jest
dostarczony jako zbiór danych wektorowych OGR. Zawiera wszystkie cechy (taka sama wymiarowość jak
input.tif) w swoich polach (proszę sprawdzić ekstrakt pk(1) w jaki sposób uzyskać taki plik z
„czysty” plik wektorowy zawierający tylko lokalizacje). Dwukrotna walidacja krzyżowa (cv) jest
wykonano (wyjście na ekranie). Parametry cost i gamma maszyny wektorów nośnych
są ustawione odpowiednio na 1000 i 0.1. Kolorowa tabela (plik tekstowy składający się z pięciu kolumn: image
podano również wartość (CZERWONY, ZIELONY, NIEBIESKI, ALFA).

pksvm -i wejście.tif -t szkolenie.sqlite -o wyjście.tif -cv 2 -ct tabela kolorów.txt -cc 1000 -g 0.1

Klasyfikacja przy użyciu agregacji bootstrap. Próba treningowa jest losowo dzielona na
trzy podpróbki (każda stanowiąca 33% oryginalnej próby).

pksvm -i wejście.tif -t szkolenie.sqlite -o wyjście.tif -bs 33 -torba 3

Klasyfikacja przy użyciu prawdopodobieństw a priori dla każdej klasy. Prawdopodobieństwa a priori są automatycznie
znormalizowane. Kolejność, w jakiej opcje -p należy zapewnić przestrzeganie znaków alfanumerycznych
kolejność nazw klas (klasa 10 przed 2...)

pksvm -i wejście.tif -t szkolenie.sqlite -o wyjście.tif -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 1 -p 0.2 -p 1 -p 1 -p 1

Stycznia 24 2016 pksvm(1)

Użyj pksvm online korzystając z usług onworks.net