Книга "Change Detection and Image Time-Series Analysis 2", написанная группой авторов, является продолжением первой части серии книг, посвященных анализу временных изменений на основе аналитических методов машинного обучения при помощи ряда таких данных.
В первой главе рассматриваются методы анализа временных изменений в результате слияния мультисенсорных и мультиспек
Авторы Change Detection and Image Time Series Anaylsis 2 освещают в своей книге методы анализа временной эволюции с применением машинного обучения на основе изображений из сферы наблюдения Земли. В первой главе авторы обсуждают проблема восприятия данных мультисенсорности, мультиразрешаемости и многовременноси. Они предлагают два метода, которые основаны на поле случайных Мартона: первый включает в себя квадратное дерево, второй - специально разработан для эффективного реагирования на многоканальные, многочастотные данные и данные с различным разрешением. Во второй главе книги предоставляется обзор методов классификации на основе пикселей для временного ряда, от ранних методов обучения до новейших методик на базе глубокого образования. Третья глава рассматривает временные ряды данных с очень высоким пространственным разрешением и использование семантической информации для моделирования моделей развития во времени. Четвертая глава посвящена проблемам анализа плотных временных рядов, включая аспекты предварительной обработки и таксономии существующих методов. Наконец, главы пятая и шестая предоставляют обширный обзор используемых методик и обучающих рамок в создании карт изменений включая проблемы классификации изменений с множеством классов и или меток.
Электронная Книга «Change Detection and Image Time Series Analysis 2» написана автором Группа авторов в году.
Минимальный возраст читателя: 0
Язык: Английский
ISBN: 9781119882282
Описание книги от Группа авторов
Change Detection and Image Time Series Analysis 2 presents supervised machine-learning-based methods for temporal evolution analysis by using image time series associated with Earth observation data. Chapter 1 addresses the fusion of multisensor, multiresolution and multitemporal data. It proposes two supervised solutions that are based on a Markov random field: the first relies on a quad-tree and the second is specifically designed to deal with multimission, multifrequency and multiresolution time series.Chapter 2 provides an overview of pixel based methods for time series classification, from the earliest shallow learning methods to the most recent deep-learning-based approaches.Chapter 3 focuses on very high spatial resolution data time series and on the use of semantic information for modeling spatio-temporal evolution patterns.Chapter 4 centers on the challenges of dense time series analysis, including pre processing aspects and a taxonomy of existing methodologies. Finally, since the evaluation of a learning system can be subject to multiple considerations,Chapters 5 and 6 offer extensive evaluations of the methodologies and learning frameworks used to produce change maps, in the context of multiclass and/or multilabel change classification issues.
