Инженеры из Российского университета дружбы народов сравнили четыре метода машинного обучения, которые применяют для обработки данных радиолокационных радаров. Исследователи назвали самый эффективный и самый быстрый методы. Исследование опубликовано в European Journal of Remote Sensing.
Изображения поверхности Земли и других планет получают с помощью радиолокатора (радара) с синтезированной апертурой (SAR). Радар располагают на космическом аппарате или самолете-носителе. Он сканирует поверхность и одновременно отслеживает свое положение. В результате получаются детальные карты поверхности, причем их качество не зависит ни от погоды, ни от времени суток. Самая распространенная разновидность таких радаров — PolSAR. Для обработки данных радара применяют методы машинного обучения. Из-за различий в работе алгоритмов они работают с разной точностью и скоростью. Поэтому при неправильно подобранном алгоритме вычисления оказываются менее точными или требуют большего времени на расчеты. Инженеры РУДН сравнили четыре наиболее популярных метода и выяснили, какой из них самый эффективный.
«Классификация данных PolSAR – одна из любимых тем в области дистанционного зондирования. Для этого используется большой спектр алгоритмов. Наиболее известный из них – метод опорных векторов SVM – широко применяется для классификации данных PolSAR. Однако до сих пор не проводилось исследований по использованию некоторых расширенных версий SVM. Мы сравнили эти методы для классификации данных PolSAR», – прокомментировал доктор технических наук Юрий Разумный, директор Департамента механики и процессов управления Инженерной академии РУДН.
Инженеры РУДН совместно с зарубежными партнерами сравнили четыре метода: метод опорных векторов (SVM) и три его модификации – метод наименьших квадратов опорных векторов (LSSVM), метод релевантных векторов (RVM) и метод импорта векторов (IVM). Их работу проверили на трех наборах данных, полученных с PolSAR: снимках провинции Флеволанд (Нидерланды), окрестностей деревни Фоулум (Дания) и города Виннипег (Канада). Первый и третий набор данных включал в себя обширные сельскохозяйственные территории. На снимки Фолума попали в основном лес, сельскохозяйственные поля и заселенные площади. Задача алгоритмов машинного обучения — определить, как используется каждый участок земли (где выращивают пшеницу, где растет лес, где течет река и так далее). Обучение алгоритмов проводили на 5%, 10%, 50% и 90% данных, а оставшиеся использовали для проверки их работы. Эффективность алгоритмов оценивали показателем, изменяющимся от 0 до 1, причем единице соответствует идеальная классификация, а также временем, необходимым для обучения по алгоритму.
Самым быстрым оказался LSSVM — при любом объеме обучающих данных и для всех трех районов. Например, для Фоулума при 50% данных, отданных под обучение, LSSVM понадобилось менее 0,5 секунд, а остальным алгоритмам понадобилось в 12–15 раз больше времени. Однако наиболее эффективным оказался SVM. Он показал самый высокий показатель обучения почти для всех объемов данных для Виннипега и Фоулума: 0,78 для Фоулума и 0,69 для Виннипега. На втором месте в обоих случаях оказался IVM — 0,76 и 0,68 соответственно.
«SVM оказался более эффективным, более точным и более стабильным при классификации двух из трех наборов данных. Еще один вывод, который мы сделали, — потрясающая скорость LSSVM по сравнению с другими методами. LSSVM выдает сопоставимую точность со скоростью в 12 раз быстрее, чем SVM, и примерно в 15 раз быстрее, чем RVM и IVM. Поэтому LSSVM можно рассматривать как достойную модификацию SVM с приемлемой точностью и большей скоростью», – рассказал Джавад Хатамиафкуиех, аспирант Инженерной академии РУДН.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
