pksvm - آنلاین در ابر

برنامه:

نام

pksvm - طبقه بندی تصویر شطرنجی با استفاده از ماشین بردار پشتیبانی

خلاصه

pksvm -t پرورش [-i ورودی] [-o تولید] [-CV ارزش] [گزینه های] [پیشرفته گزینه های]

شرح

pksvm یک ماشین بردار پشتیبانی (SVM) را برای حل یک طبقه بندی نظارت شده پیاده سازی می کند
مسئله. این پیاده سازی بر اساس کتابخانه منبع باز C++ libSVM است
(http://www.csie.ntu.edu.tw/~cjlin/libsvm). هر دو فایل شطرنجی و برداری به عنوان پشتیبانی می شوند
ورودی خروجی شامل نتیجه طبقه بندی، به صورت شطرنجی یا برداری خواهد بود
قالب، مربوط به فرمت ورودی. نمونه آموزشی باید به عنوان ارائه شود
یک مجموعه داده برداری OGR که حاوی برچسب های کلاس و ویژگی های هر آموزش است
نقطه. مکان های نقطه در مرحله آموزش در نظر گرفته نمی شود. شما می توانید از همان استفاده کنید
نمونه آموزشی طبقه بندی تصاویر مختلف با ارائه تعداد باندهای
تصاویر یکسان هستند از ابزار pkextract برای ایجاد یک نمونه آموزشی مناسب استفاده کنید.
بر اساس نمونه ای از نقاط یا چندضلعی ها. برای نقشه های خروجی شطرنجی می توانید یک رنگ را ضمیمه کنید
جدول با استفاده از گزینه -ct.

OPTIONS

-t نام فایل, --آموزش نام فایل
فایل وکتور آموزشی. یک فایل برداری شامل تمام ویژگی های آموزشی است (باید باشد
برای همه کلاس‌ها به‌عنوان b0، b1، b2،...) تنظیم کنید (اعداد کلاس‌ها با گزینه برچسب مشخص می‌شوند).
از چندین فایل آموزشی برای تجمع بوت استرپ استفاده کنید (جایگزین --کیسه و
-- کیسه گزینه‌ها، که در آن یک زیر مجموعه تصادفی از یک فایل آموزشی گرفته می‌شود)

-i نام فایل, -- ورودی نام فایل
تصویر ورودی

-o نام فایل, -- خروجی نام فایل
تصویر طبقه بندی خروجی

-CV ارزش, --رزومه ارزش
حالت اعتبارسنجی متقاطع N-fold (پیش‌فرض: 0)

-tln لایه, -- tln لایه
نام(های) لایه آموزشی

-c نام, -- کلاس نام
لیست نام کلاس ها

-r ارزش, --تجدید کلاس ارزش
لیست مقادیر کلاس (از همان ترتیب در استفاده کنید -- کلاس گزینه).

-از فرمت GDAL, --oformat فرمت GDAL
فرمت تصویر خروجی (همچنین مراجعه کنید gdal_translate(1).

-f قالب, --f قالب
فرمت ogr خروجی برای نمونه آموزشی فعال

-کو NAME=VALUE, -- شرکت NAME=VALUE
گزینه ایجاد برای فایل خروجی. گزینه های متعددی را می توان مشخص کرد.

-ct نام فایل, --ct نام فایل
جدول رنگ با فرمت ASCII دارای 5 ستون: id RGB ALFA (0: شفاف، 255:
جامد)

-برچسب صفت, --برچسب صفت
شناسه برچسب کلاس در فایل وکتور آموزشی. (پیش‌فرض: برچسب)

-قبلی ارزش, --قبلی ارزش
احتمالات قبلی برای هر کلاس (به عنوان مثال، -قبلی 0.3 -قبلی 0.3 -قبلی 0.2) استفاده می شود
فقط برای ورودی (برای اعتبارسنجی متقاطع نادیده گرفته شد)

-g گاما, -- گاما گاما
گاما در عملکرد هسته

-سی سی هزینه, -- هزینه هزینه
پارامتر C از C_SVC، epsilon_SVR، و nu_SVR

-m نام فایل, -- ماسک نام فایل
فقط در ماسک مشخص شده (بردار یا شطرنجی) طبقه بندی کنید. برای ماسک شطرنجی، تنظیم کنید
مقادیر nodata با گزینه --msknodata.

-msknodata ارزش, --msknodata ارزش
ارزش(های) ماسک برای طبقه بندی در نظر گرفته نمی شود. ارزش ها در اختیار گرفته می شود
تصویر طبقه بندی

-بدون اطلاعات ارزش, --بدون اطلاعات ارزش
مقدار Nodata برای قرار دادن جایی که تصویر به عنوان nodata پوشانده شده است

-v سطح, -- پرحرف سطح
سطح پرمخاطب

گزینه های پیشرفته

-b باند, --باند باند
شاخص باند (شروع از 0، یا استفاده کنید --باند گزینه یا استفاده --استارت باند به
-- endband)

-Sband باند, --استارت باند باند
شماره دنباله باند شروع

-eband باند, -- endband باند
شماره دنباله باند انتهایی

-bal اندازه, -- تعادل اندازه
داده های ورودی را با این تعداد نمونه برای هر کلاس متعادل کنید

-من عدد, -- دقیقه عدد
اگر تعداد پیکسل های آموزشی کمتر از min است، این کلاس را در نظر نگیرید
(0: همه کلاس ها را در نظر بگیرید)

-کیسه ارزش, --کیسه ارزش
تعداد تجمعات بوت استرپ (پیش فرض بدون بسته بندی است: 1)

-کیسه ارزش, -- کیسه ارزش
درصد ویژگی های استفاده شده از ویژگی های آموزشی موجود برای هر بوت استرپ
تجمع (یک اندازه برای همه کلاس ها، یا اندازه های مختلف برای هر کلاس
به ترتیب

شانه رد, -- شانه رد
نحوه ترکیب طبقه بندی کننده های تجمع بوت استرپ (0: قانون جمع، 1: قانون محصول، 2:
قانون حداکثر). همچنین برای تجمیع کلاس ها با گزینه rc استفاده می شود.

-CB نام فایل, --کیف کلاسی نام فایل
خروجی برای هر بوت استرپ مجزا

-مشکل نام فایل, -- مشکل نام فایل
تصویر احتمال

-انحراف ارزش, --انحراف ارزش
مقدار افست برای هر ویژگی ورودی باند طیفی:
refl[band]=(DN[band]-offset[band]/scale[band]

مقیاس ارزش, -- مقیاس ارزش
مقدار مقیاس برای هر ویژگی ورودی باند طیفی:
refl=(DN[band]-offset[band])/scale[band] (اگر مقیاس حداقل و حداکثر در هر باند از 0 استفاده کنید
به -1.0 و 1.0)

-svmt نوع, --svmtype نوع
نوع SVM (C_SVC، nu_SVC، one_class، epsilon_SVR، nu_SVR)

-kt نوع, -- هسته نوع نوع
نوع تابع هسته (خطی، چند جمله ای، شعاعی، سیگموئید)

-kd ارزش, --kd ارزش
مدرک در تابع کرنل

-c0 ارزش, --ضریب 0 ارزش
Coef0 در تابع هسته

-نه ارزش, --nu ارزش
پارامتر nu از nu-SVC، یک کلاس SVM، و nu-SVR

از بین رفتن ارزش, -- از دست دادن ارزش
عملکرد اپسیلون در از دست دادن epsilon-SVR

-کش عدد, -- کش عدد
کش ⟨http://pktools.nongnu.org/html/classCache.html⟩ اندازه حافظه در مگابایت (پیش‌فرض:
100)

-اتول ارزش, --اتول ارزش
معیار تحمل خاتمه (پیش فرض: 0.001)

-کوچک شدن, --کوچک شدن
اینکه آیا از اکتشافی کوچک شونده استفاده کنیم یا خیر

ساخته عدد, -- غیر فعال عدد
تعداد امتیازات آموزشی فعال

مثال

طبقه بندی تصویر ورودی input.tif با ماشین بردار پشتیبانی. نمونه آموزشی که هست
به عنوان یک مجموعه داده برداری OGR ارائه شده است. این شامل تمام ویژگی ها (همان ابعاد
input.tif) در فیلدهای آن (لطفاً بررسی کنید pkextract(1) در مورد چگونگی به دست آوردن چنین فایلی از a
فایل برداری "پاک" که فقط حاوی مکان است). یک اعتبار متقاطع دو برابری (cv) است
انجام شده (خروجی روی صفحه). پارامترهای هزینه و گامای دستگاه بردار پشتیبانی
به ترتیب روی 1000 و 0.1 تنظیم می شوند. یک فایل رنگی (فایل متنی پنج ستونی: تصویر
مقدار، قرمز، سبز، آبی، ALPHA) نیز ارائه شده است.

pksvm -i input.tif -t train.sqlite -o خروجی.tif -CV 2 -ct colourtable.txt -سی سی 1000 -g 0.1

طبقه بندی با استفاده از تجمع بوت استرپ نمونه آموزشی به صورت تصادفی تقسیم شده است
سه نمونه فرعی (33 درصد از نمونه اصلی هر کدام).

pksvm -i input.tif -t train.sqlite -o خروجی.tif -لیسانس 33 -کیسه 3

طبقه بندی با استفاده از احتمالات قبلی برای هر کلاس. پیشین ها به صورت خودکار هستند
نرمال شده ترتیبی که گزینه ها -p ارائه باید به حروف عددی احترام بگذارد
ترتیب نام کلاس ها (کلاس 10 قبل از 2 است ...)

pksvm -i input.tif -t train.sqlite -o خروجی.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 ژانویه 2016 pksvm(1)

با استفاده از خدمات onworks.net از pksvm به صورت آنلاین استفاده کنید