MACHINE LEARNING Y TELEDETECCION · 2020. 6. 30. · TELEDETECCION Cienciaartey tecnologíade...
Transcript of MACHINE LEARNING Y TELEDETECCION · 2020. 6. 30. · TELEDETECCION Cienciaartey tecnologíade...
-
MACHINE LEARNING Y TELEDETECCIONSVM UN ALGORITMO CON SUPERVISIÓN
Seminario de Doctorado, ETSISI, UPM
6/29/2020 Seminario Doctorado ETSISI UPM 1
-
¿MACHINE LEARNING?
DETECCION DE SPAN RECONOCIMIENTO FACIAL TRADUCCION SIMULTANEA CONDUCCION AUTONOMA
es una disciplina científica en el ambito de la inteligencia artificial que se basa en sistemas que aprenden automáticamente.
6/29/2020 Seminario Doctorado ETSISI UPM 2
-
¿OBJETIVO?. DEFINICIÓN CLARA
PROBLEMAS DE CLASIFICACION PROBLEMAS DE CLUSTERING PROBLEMAS DE REGRESION
6/29/2020 Seminario Doctorado ETSISI UPM 3
-
ANTECEDENTE
TEST DE TURING
¿pueden las máquinas pensar?
6/29/2020 Seminario Doctorado ETSISI UPM 4
-
TIPOLOGIA
APRENDIZAJE SUPERVISADO
APRENDIZAJENO
SUPERVISADOAPRENDIZAJE REFORZADO
PROCESAMIENTO DE LENGUAJE
NATURAL
DEEP LEARNING
6/29/2020 Seminario Doctorado ETSISI UPM 5
-
APRENDIZAJE SUPERVISADO
ALGORITMOS DE REGRESION
ALGORITMOS DE CLASIFICACION
SVM
SUPPORT VECTOR MACHINE
6/29/2020 Seminario Doctorado ETSISI UPM 6
-
SVM (SUPPORT VECTOR MACHINES)Clasificador basado en algoritmos no paramétricos.
SVM fueron propuestas por Boser, Guyon y Vapnik en 1992.
Son clasificadores derivados de la teoría de aprendizaje estadístico postulada por Vapnik y Chervonenkis.
Es uno de los mejores métodos de clasificación.
Adquirieron fama cuando dieron resultados muy superiores a las redes neuronales en el reconocimiento de letra manuscrita, usando como entrada píxeles.
Aprendizaje supervisado.
Clasificador lineal no probabilístico.
6/29/2020 Seminario Doctorado ETSISI UPM 7
-
TELEDETECCIONCiencia arte y tecnología de obtener información acerca de la superficie de la Tierra sin entrar en contacto con ella.
TecnologíaCiencia
Arte
TELEDETECCION
6/29/2020 Seminario Doctorado ETSISI UPM 8
-
TELEDETECCION
6/29/2020 Seminario Doctorado ETSISI UPM 9
-
FLUJO DE TRABAJO EN TELEDETECCION
6/29/2020 Seminario Doctorado ETSISI UPM 10
-
SENSORES EN TELEDETECCION
6/29/2020 Seminario Doctorado ETSISI UPM 11
Satélites de órbita polar. Programa LANDSAT Sensor de LANDSAT 8
(image credit: NASA)
-
SENSORES EN TELEDETECCION
6/29/2020 Seminario Doctorado ETSISI UPM 12
-
SENSORES EN TELEDETECCION
6/29/2020 Seminario Doctorado ETSISI UPM 13
RESOLUCION ESPECTRAL
-
SENSORES EN TELEDETECCION
6/29/2020 Seminario Doctorado ETSISI UPM 14
Resolución espacial nominal
Campo proyectado del campo de visión instantáneo
RESOLUCION RADIOMETRICA
-
CLASIFICACION DE IMÁGENES EN TELEDETECCIÓNInteligencia
artificial
Clasificación de imágenes de Teledetección
Bioinformática
Clasificación de secuencias de ADN
Diagnóstico médico
Reconocimiento de voz
Reconocimiento de escritura
Reconocimento de objetos en visión artificial
Movimiento de robots
Procesado del lenguaje natural
Análisis de stock de mercados
……..
Ciencias de la Computación
Reconocimiento de formas
Minería de datos
Estadística
Aprendizaje automático
6/29/2020 Seminario Doctorado ETSISI UPM 15
-
CLASIFICACION DE IMÁGENES EN TELEDETECCIÓNMetodologías que incluye
Toma de decisiones: se atribuye cada una de las celdillas de laimagen, a unas categorías de cubierta terrestre definidas en unaleyenda, en función de los Niveles Digitales registrados en distintasbandas o imágenes que componen una imagen multibanda
El documento final es un documento gráfico (mapa temático) y tablasestadísticas que reflejan la distribución superficial de ellas
En una operación de clasificación se puede indicar generalmente lassiguientes fases: Entrenamiento. Análisis de separabilidad. Asignación.Verificación de resultados
6/29/2020 Seminario Doctorado ETSISI UPM 16
-
CLASIFICACION DE IMÁGENES EN TELEDETECCIÓN
Reconocimiento de patrones espectrales
Reconocimiento de patrones espaciales
Reconocimiento de patrones temporales
6/29/2020 Seminario Doctorado ETSISI UPM 17
-
CLASIFICACION DE IMÁGENES EN TELEDETECCIÓNEjemplo de imagen clasificada con resultado de un mapa temático
Agua
Suelo mixto
Suelo urbanizable
Vegetación mixta
Suelo urbano
Pinar
Autovía
Encinar
Vegetación ribereña
6/29/2020 Seminario Doctorado ETSISI UPM 18
-
CLASIFICACION DE IMÁGENES EN TELEDETECCIÓN
Imagen LANDSATMapa categórico de clases
Banda 4
Banda 3
Localización de una clase en cada unidad espacial de análisis (UEA)
• Cada UEA representa un VECTOR decaracterísticas
• Definición de FRONTERAS de decisión entreclases
• Definición de REGLAS de decisión parasituar cada UEA en cada clase definidaentre fronteras uso de CLASIFICADOR
Identificación y selección de características
Clasificación vista desde el espacio de características
6/29/2020 Seminario Doctorado ETSISI UPM 19
-
SVM. CLASIFICACION DE IMÁGENES
SVM
SUPPORT VECTOR MACHINE
6/29/2020 Seminario Doctorado ETSISI UPM 20
-
SVM. PLANTEAMIENTO Si hay un número de observaciones l y cada una consiste en un par de datos:
Un vector xi Rn, i= 1, ……, l Una etiqueta yi {+1,-1}
Es decir, un conjunto de patrones de entrenamiento etiquetados de acuerdo con la expresión:
Existirá un hiperplano que separa las muestras positivas (+1) de las negativas (-1). Para ser linealmente separablesdeben existir un vector w y un escalar b tal que para todo el conjunto de entrenamiento, se cumplan lassiguientes inecuaciones
( y1, x1),......, ( yi , xi ) yi 1,1
i iw x b 1 if y 1if yi 1
1 , i 1,......, l
w xi b 1 Entonces se pueden expresar las inecuaciones como
yi ( w xi b ) Los puntos xi que están en el hiperplano satisfacen la expresión
w xi b 0
6/29/2020 Seminario Doctorado ETSISI UPM 21
-
SVM. ¿CUÁL ES LA MEJOR SOLUCIÓN?
Encuentra un hiperplano lineal
(frontera de decisión) que
separe los datos
Primera solución Posibles soluciones
6/29/2020 Seminario Doctorado ETSISI UPM 22
-
SVM. PLANTEAMIENTO II Como pueden existir muchos hiperplanos que proporcionen una separación efectiva, el que provee la separación
óptima se selecciona mediante la maximización de la distancia entre sí mismo y los planos que representan lasdos clases. El hiperplano óptimo es representado por la expresión
w0 xi b0 0 siendo el único que separa los datos de entrenamiento con un margen máximo, determinando la dirección ww en la que la distancia entre la proyección de los vectores de entrenamiento de las dos clases es máxima.
6/29/2020 Seminario Doctorado ETSISI UPM 23
-
SVM. BUSCANDO EL HIPERPLANO Se comparan dos de los
hiperplanos, p. e. H1 y H2
Se define un margen en cada uno de ellos tangente a los soportes
El objetivo es maximizar el margen
El hiperplano que tenga mayor margen es el mejor clasificador de los datos
Los vectores soporte son los que tocan el límite del margen Tomado de Yasmin AnwarCS 795/895 – summer 2011, Old Dominion University
Vectores Soporte
6/29/2020 Seminario Doctorado ETSISI UPM 24
-
SVM. ELECCIÓN DEL HIPERPLANO
Se tiene un hiperplano positivo y uno negativo
hiperplano “positivo”: w∙x+b = +1 hiperplano “negativo”: w∙x+b = -1
Para encontrar el hiperplano con mayor margen hay que maximizar el margen
El margen es igual a 2/ |w|
Tomado de Yasmin AnwarCS 795/895 – summer 2011, Old Dominion University
Vectores Soporte
6/29/2020 Seminario Doctorado ETSISI UPM 25
-
SVM. ELECCIÓN DEL HIPERPLANO Esta distancia d(w,b) viene dada por la expresión
El hiperplano óptimo (w0,b0) es el argumento que maximiza la distancia según
Los vectores xi para los que se cumple yi (w∙xi + b) = 1 se denominan vectoressoporte
maxw wx: y1 x: y1
d (w,b) min x w x w
0 00 0 0
2 2w
d(w ,b ) w w
6/29/2020 Seminario Doctorado ETSISI UPM 26
-
SVM. DATOS NO SEPARABLES LINEALMENTECuando los datos no se pueden separar linealmente, se hace un cambio de espaciomediante una función que trasforme los datos de manera que se puedan separarlinealmente. Esta función se llama kernel.
Φ: x →φ(x)
Espacio de características original Espacio de características hiper-dimensional
6/29/2020 Seminario Doctorado ETSISI UPM 27
-
SVM. EJEMPLOS DE KERNELLineal: K( x ,x ) xT x
i j i j
Polinomial: x x r )d ,g 0Ti jK( xi ,x j ) (g
2i j i jFunción base radial: K(x , x ) exp(g || (x x ) || ,g 0
Ti j i jSigmoide : K(x , x ) tan H(g x x r)
donde γ es la anchura de la función kernel, d es el grado del polinomio y r es el término bias de la función kernel.
6/29/2020 Seminario Doctorado ETSISI UPM 28
-
SVM. APLICACIÓN A IMAGENES
6/29/2020 Seminario Doctorado ETSISI UPM 29
-
SVM. APLICACIÓN A IMAGENES
6/29/2020 Seminario Doctorado ETSISI UPM 30
-
6/29/2020 Seminario Doctorado ETSISI UPM 31
REFERENCIAS
C. Cortes and V. Vapnik, “Support vector networks”, Machine Learning, 20, 273‐297, 1995. D. J. Lary, A. H. Alavi, A. H. Gandomi and A. L.Walker, “Machine learning in geosciences and
remote sensing” 7(1), 3‐10, 2016. L. Ma, Y. Liu, X. Zhang, Y. Ye, G. Yin and B. A. Johnson, “Deep learning in remote sensing
applications: A meta‐analysis and review”, ISPRS Journal of Photogrammetry and RemoteSensing, 152, 166‐177, 2019.
A. E. Maxwell, T. A. Warner & F. Fang, “Implementation of machine‐learning classification inremote sensing: an applied review”, International Journal of Remote Sensing, 39(9), 2784‐2817, 2018.
V. N. Vapnik, The Nature of Statistical Learning Theory. Springer Verlag, 2000.
-
SVM. APLICACIÓN A IMAGENES
SVM_Linear SVM_Polynomial SVM_RBF SVM_Sigmoide
6/29/2020 Seminario Doctorado ETSISI UPM 32
-
6/29/2020 Seminario Doctorado ETSISI UPM 33