pksvm - ออนไลน์ในคลาวด์

โครงการ:

ชื่อ

pksvm - จำแนกภาพแรสเตอร์โดยใช้ Support Vector Machine

เรื่องย่อ

pksvm -t การอบรม [-i อินพุต] [-o เอาท์พุต] [-ประวัติย่อ ความคุ้มค่า] [ตัวเลือก] [สูง ตัวเลือก]

DESCRIPTION

pksvm ใช้เวกเตอร์เครื่องสนับสนุน (SVM) เพื่อแก้ปัญหาการจัดประเภทภายใต้การดูแล
ปัญหา. การใช้งานจะขึ้นอยู่กับไลบรารี C++ แบบโอเพ่นซอร์ส libSVM
(http://www.csie.ntu.edu.tw/~cjlin/libsvm). รองรับทั้งไฟล์แรสเตอร์และเวกเตอร์เป็น
ป้อนข้อมูล. ผลลัพธ์จะประกอบด้วยผลการจัดประเภท ในรูปแบบแรสเตอร์หรือเวกเตอร์
รูปแบบที่สอดคล้องกับรูปแบบของอินพุต ต้องมีตัวอย่างการฝึกอบรมเป็น
ชุดข้อมูลเวกเตอร์ OGR ที่มีป้ายกำกับคลาสและคุณลักษณะสำหรับการฝึกอบรมแต่ละครั้ง
จุด. ตำแหน่งจุดจะไม่ถูกพิจารณาในขั้นตอนการฝึก คุณสามารถใช้เหมือนกัน
ตัวอย่างการฝึกจำแนกภาพต่างๆ โดยระบุจำนวนแถบของ
ภาพที่เหมือนกัน ใช้ยูทิลิตี้ pkextract เพื่อสร้างตัวอย่างการฝึกอบรมที่เหมาะสม
ตามตัวอย่างของจุดหรือรูปหลายเหลี่ยม สำหรับแผนที่เอาต์พุตแรสเตอร์ คุณสามารถแนบสีได้
ตารางโดยใช้ตัวเลือก -กะรัต.

OPTIONS

-t ชื่อไฟล์, --การฝึกอบรม ชื่อไฟล์
ไฟล์เวกเตอร์การฝึกอบรม ไฟล์เวกเตอร์ไฟล์เดียวมีคุณสมบัติการฝึกทั้งหมด (ต้องเป็น
ตั้งค่าเป็น: b0, b1, b2,...) สำหรับทุกคลาส (หมายเลขคลาสที่ระบุโดยตัวเลือกป้ายกำกับ)
ใช้ไฟล์การฝึกหลายไฟล์สำหรับการรวมบูตสแตรป (ทางเลือกของ --กระเป๋า และ
--ขนาดกระเป๋า ตัวเลือกที่สุ่มชุดย่อยจากไฟล์การฝึกอบรมเดียว)

-i ชื่อไฟล์, --ป้อนข้อมูล ชื่อไฟล์
ใส่ภาพ

-o ชื่อไฟล์, --เอาท์พุท ชื่อไฟล์
รูปภาพการจัดหมวดหมู่เอาต์พุต

-ประวัติย่อ ความคุ้มค่า, --ประวัติย่อ ความคุ้มค่า
โหมดการตรวจสอบข้าม N-fold (ค่าเริ่มต้น: 0)

-tln ชั้น, --tln ชั้น
ชื่อเลเยอร์การฝึก

-c พร้อมชื่อ, --ระดับ พร้อมชื่อ
รายชื่อคลาส.

-r ความคุ้มค่า, --จัดชั้นใหม่ ความคุ้มค่า
รายการค่าคลาส (ใช้ลำดับเดียวกับใน --ระดับ ตัวเลือก)

-ของ GDALรูปแบบ, --oformat GDALรูปแบบ
รูปแบบภาพที่ส่งออก (ดูเพิ่มเติม gdal_translate(พ.ศ. 1)).

-f รูป, - ฉ รูป
รูปแบบเอาต์พุต ogr สำหรับตัวอย่างการฝึกแบบแอ็คทีฟ

สหชายหญิง ชื่อ=มูลค่า, - โค ชื่อ=มูลค่า
ตัวเลือกการสร้างไฟล์เอาต์พุต สามารถระบุตัวเลือกได้หลายแบบ

-กะรัต ชื่อไฟล์, --ct ชื่อไฟล์
ตารางสีในรูปแบบ ASCII มี 5 คอลัมน์: id RGB ALFA (0: โปร่งใส, 255:
แข็ง)

-ฉลาก คุณลักษณะ, --ฉลาก คุณลักษณะ
ตัวระบุสำหรับป้ายกำกับคลาสในไฟล์เวกเตอร์การฝึก (ค่าเริ่มต้น: ป้ายกำกับ)

-ก่อน ความคุ้มค่า, --ก่อน ความคุ้มค่า
ความน่าจะเป็นก่อนหน้าสำหรับแต่ละชั้นเรียน (เช่น -ก่อน 0.3 -ก่อน 0.3 -ก่อน 0.2) ใช้แล้ว
สำหรับการป้อนข้อมูลเท่านั้น (ละเว้นสำหรับการตรวจสอบความถูกต้อง)

-g แกมมา, --แกมม่า แกมมา
แกมมาในฟังก์ชันเคอร์เนล

-ซีซี ราคา, --cost ราคา
พารามิเตอร์ C ของ C_SVC, epsilon_SVR และ nu_SVR

-m ชื่อไฟล์, --หน้ากาก ชื่อไฟล์
จำแนกเฉพาะในมาสก์ที่ระบุ (เวกเตอร์หรือแรสเตอร์) สำหรับมาสก์แรสเตอร์ ให้ตั้งค่า
ค่า nodata พร้อมตัวเลือก --msknodata.

-msknodata ความคุ้มค่า, --msknodata ความคุ้มค่า
ค่ามาสก์ที่ไม่ต้องพิจารณาสำหรับการจัดประเภท ค่าจะถูกยึดใน
ภาพการจำแนกประเภท

-ไม่มีข้อมูล ความคุ้มค่า, --ไม่มีข้อมูล ความคุ้มค่า
ค่า Nodata ที่จะใส่ในตำแหน่งที่ภาพถูกปิดบังเป็น nodata

-v ระดับ, --รายละเอียด ระดับ
ระดับละเอียด

ตัวเลือกขั้นสูง

-b วงดนตรี, --วงดนตรี วงดนตรี
ดัชนีวง (เริ่มจาก 0 ใช้ --วงดนตรี ตัวเลือกหรือใช้ --วงเริ่มต้น ไปยัง
--endband)

-sband วงดนตรี, --วงเริ่มต้น วงดนตรี
เริ่มหมายเลขลำดับวงดนตรี

-อีแบนด์ วงดนตรี, --endband วงดนตรี
หมายเลขลำดับของแถบสิ้นสุด

-bal ขนาด, --สมดุล ขนาด
ปรับข้อมูลอินพุตให้สมดุลกับจำนวนตัวอย่างนี้สำหรับแต่ละคลาส

-นาที จำนวน, --นาที จำนวน
หากจำนวนพิกเซลการฝึกน้อยกว่า min อย่าคำนึงถึงคลาสนี้
(0: พิจารณาทุกชั้นเรียน)

-ถุง ความคุ้มค่า, --กระเป๋า ความคุ้มค่า
จำนวนการรวมบูตสแตรป (ค่าเริ่มต้นคือไม่มีการบรรจุถุง: 1)

-ขนาดกระเป๋า ความคุ้มค่า, --ขนาดกระเป๋า ความคุ้มค่า
เปอร์เซ็นต์ของคุณสมบัติที่ใช้จากคุณสมบัติการฝึกที่มีสำหรับบูตสแตรปแต่ละตัว
การรวม (ขนาดเดียวสำหรับทุกคลาส หรือขนาดต่างกันสำหรับแต่ละคลาส
ตามลำดับ

-หวี กฎ, --หวี กฎ
วิธีรวมตัวแยกประเภทการรวมบูตสแตรป (0: กฎผลรวม, 1: กฎผลิตภัณฑ์, 2:
กฎสูงสุด) ใช้ในการรวมคลาสด้วยตัวเลือก rc

-ซีบี ชื่อไฟล์, --กระเป๋าคลาส ชื่อไฟล์
เอาต์พุตสำหรับการรวมบูตสแตรปแต่ละรายการ

- ปัญหา ชื่อไฟล์, --ปัญหา ชื่อไฟล์
ภาพความน่าจะเป็น

- ชดเชย ความคุ้มค่า, --ออฟเซ็ต ความคุ้มค่า
ค่าออฟเซ็ตสำหรับคุณลักษณะอินพุตแถบสเปกตรัมแต่ละอัน:
refl[แบนด์]=(DN[แบนด์]-ออฟเซ็ต[แบนด์])/สเกล[แบนด์]

- สเกล ความคุ้มค่า, --มาตราส่วน ความคุ้มค่า
ค่ามาตราส่วนสำหรับคุณสมบัติอินพุตแถบสเปกตรัมแต่ละอัน:
refl=(DN[band]-offset[band])/scale[band] (ใช้ 0 ถ้าสเกลต่ำสุดและสูงสุดในแต่ละแบนด์
ถึง -1.0 และ 1.0)

-svmt ชนิด, --svmtype ชนิด
ประเภทของ SVM (C_SVC, nu_SVC, one_class, epsilon_SVR, nu_SVR)

-kt ชนิด, --ประเภทเคอร์เนล ชนิด
ประเภทของฟังก์ชันเคอร์เนล (เชิงเส้น พหุนาม เรเดียล ซิกมอยด์)

-kd ความคุ้มค่า, --kd ความคุ้มค่า
องศาในการทำงานของเคอร์เนล

-c0 ความคุ้มค่า, --coef0 ความคุ้มค่า
Coef0 ในฟังก์ชันเคอร์เนล

-นู ความคุ้มค่า, --นู๋ ความคุ้มค่า
พารามิเตอร์ nu ของ nu-SVC, One-class SVM และ nu-SVR

-eloss ความคุ้มค่า, --eloss ความคุ้มค่า
epsilon ในฟังก์ชันการสูญเสียของ epsilon-SVR

-แคช จำนวน, --แคช จำนวน
แคช ⟨http://pktools.nongnu.org/html/classCache.html⟩ ขนาดหน่วยความจำในหน่วย MB (ค่าเริ่มต้น:
100)

-เอตอล ความคุ้มค่า, --เอทอล ความคุ้มค่า
เกณฑ์ความคลาดเคลื่อนที่ยอมรับได้ (ค่าเริ่มต้น: 0.001)

-หด, --หด
ว่าจะใช้ฮิวริสติกแบบย่อหรือไม่

สร้าง จำนวน, --ไม่ใช้งาน จำนวน
จำนวนคะแนนการฝึกที่ใช้งานอยู่

ตัวอย่าง

จำแนกภาพอินพุต input.tif ด้วยเครื่องเวกเตอร์ที่รองรับ ตัวอย่างการฝึกอบรมที่เป็น
จัดทำเป็นชุดข้อมูลเวกเตอร์ OGR ประกอบด้วยคุณสมบัติทั้งหมด (มิติเดียวกับ
input.tif) ในช่อง (โปรดตรวจสอบ สารสกัด(1) วิธีรับไฟล์ดังกล่าวจาก a
ไฟล์เวกเตอร์ "สะอาด" ที่มีตำแหน่งเท่านั้น) การตรวจสอบข้ามสองเท่า (CV) is
ดำเนินการ (เอาต์พุตบนหน้าจอ) ค่าพารามิเตอร์และแกมมาของเครื่องเวกเตอร์สนับสนุน
ถูกตั้งค่าเป็น 1000 และ 0.1 ตามลำดับ ตารางสี (ไฟล์ข้อความห้าคอลัมน์: image
ค่า RED, GREEN, BLUE, ALPHA) ก็มีให้เช่นกัน

pksvm -i input.tif -t อบรม.sqlite -o เอาท์พุต.tif -ประวัติย่อ 2 -กะรัต colortable.txt -ซีซี 1000 -g 0.1

การจัดประเภทโดยใช้การรวมบูตสแตรป สุ่มตัวอย่างการฝึกอบรมออกเป็น
ตัวอย่างย่อยสามตัวอย่าง (33% ของตัวอย่างดั้งเดิมแต่ละรายการ)

pksvm -i input.tif -t อบรม.sqlite -o เอาท์พุต.tif -bs 33 -ถุง 3

การจำแนกประเภทโดยใช้ความน่าจะเป็นก่อนหน้าสำหรับแต่ละชั้นเรียน นักบวชเป็นไปโดยอัตโนมัติ
ทำให้เป็นมาตรฐาน ลำดับที่ตัวเลือก -p มีให้ควรเคารพตัวอักษรและตัวเลข
ลำดับของชื่อคลาส (คลาส 10 มาก่อน 2...)

pksvm -i input.tif -t อบรม.sqlite -o เอาท์พุต.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

24 มกราคม 2016 pksvm(1)

ใช้ pksvm ออนไลน์โดยใช้บริการ onworks.net