**"Kernel Methods for Remote Sensing" - это учебник, который расскажет вам про методы ядра для анализа данных дистанционного зондирования. Автор книги, Лоренцо Брузоне, представляет теорию и практические алгоритмы для работы с изображениями Земли, полученными из аэрокосмических и спутниковых датчиков. Эта книга является руководством по созданию и применению этих методов.**
**Книга разделена на пять частей:** В первой части обсуждаются ключевые понятия машинного обучения для дистанционного зондирования и теоретические и практические основы методов ядра. Вторая часть посвящена классификации изображений по методу векторной машины, дискриминантной функции ядра, классификации многомерных изображений, обнаружению аномалий и целевых объектов методами ядра и алгоритмам описания данных самоподдерживающейся векторно-матричной модели. Третья часть рассматривает классификацию полуиндуктивных мультиспектральных изображений методами ядра. Четвертая часть охватывает вопросы регрессии и инверсии моделей, включая теорию и методы для решения обратных задач дистанционного зондирования путем использования уравнений на основе методов ядра, а также методы BRDF (функции распределения двунаправленного отражения) и температурных алгоритмов удаления шумов. В пятой части освещаются методы извлечения и представления признаков, основанные на теориях нескольких методов многомерной статистической обработки данных.
Книга предназначается для инженеров, научных сотрудников и исследователей, занимающихся обработкой данных дистанционного зондирования, а также тех, кто работает в области теории машинного обучения и распознавания образов. Она предоставляет практическое руководство для применения методов ядра в анализе данных дистанционного зондирования в различных сферах, включая контроль над природными ресурсами, обнаружение и мониторинг антропогенных инфраструктур, инвентаризацию сельского хозяйства, предотвращение и оценку ущерба от бедствий, а также обнаружение аномалий и целей.
Методы ядра в анализе данных дистанционного зондирования Автор: Лоренцо Бруццео Если книга незнакома вам, то вот краткое описание, которое у меня получилось в результате рерайта: Методы ядра давно зарекомендовали себя как эффективные методы в машинном обучении и распознавания образов и сейчас стали общепринятым подходом во многих применениях дистанционного зондирования. С помощью алгоритмов, совмещающих статистику и геометрию, методы ядра доказали свою успешность в разных областях, связанных с анализом изображений Земли, полученных с воздуха и спутников, включая контроль природных ресурсов, обнаружение и мониторинг антропогенных инфраструктур (например городских районов), инвентаризацию сельского хозяйства, предотвращение катастроф и оценку ущерба, а также обнаружение аномалий и целей. В данной книге представлены теоретические основы методов ядра, применимых к области дистанционного зондирования, и она служит практическим руководством по разработке и использованию этих методов. Книга состоит из пяти отдельных частей, в каждой из которых представлены современные исследования, связанные с дистанционным зондированием на основе последних достижений в областях методов ядра. Анализируются соответствующие методологические и практические проблемы: Часть I представляет ключевые концепции машинного обучения для дистанционного зондирования и теоретические и практические основы методов ядро. Часть II исследует контролируемое изображение классификацию, включая машиные векторные машины (СVM), анализ ядровыми дискриминантами, временное здание изображения классификацию, обнаружение цели с ядром, и алгоритмы описания данных с поддержкой векторов (SVDD) для обнаружения аномалий. Часть III исследует полуконтролируемое классифицирование с подходами передаваемого СVM для гиперспектрального изображения классификации и классификации данных среднего значения ядра. Часть IV исследует регрессию и моделирование революции, включая понятие алгоритма декомпозиции ядра для гиперспектральной им явлений, теорию и методы для количественного исследования вредных задач с уравнениями на основах ядра, уравнения на основах BRDF ядра (Двунаправленной Функция распределения отражения) и извлечения температуры с использованием методов ядра. П часть занимается использованием ядерных методов в увеличении признаков и представляет обзор принципов множества методов анализа и их ядровых расширений. Эта книга предназначена для инженеров, учёных и исследователей, занимаясь обработкой данных средства дистанционного зондирования а также для всех тех, кто интересуется данной темой.
Электронная Книга «Kernel Methods for Remote Sensing Data Analysis» написана автором Lorenzo Bruzzone в году.
Минимальный возраст читателя: 0
Язык: Английский
ISBN: 9780470749005
Описание книги от Lorenzo Bruzzone
Kernel methods have long been established as effective techniques in the framework of machine learning and pattern recognition, and have now become the standard approach to many remote sensing applications. With algorithms that combine statistics and geometry, kernel methods have proven successful across many different domains related to the analysis of images of the Earth acquired from airborne and satellite sensors, including natural resource control, detection and monitoring of anthropic infrastructures (e.g. urban areas), agriculture inventorying, disaster prevention and damage assessment, and anomaly and target detection. Presenting the theoretical foundations of kernel methods (KMs) relevant to the remote sensing domain, this book serves as a practical guide to the design and implementation of these methods. Five distinct parts present state-of-the-art research related to remote sensing based on the recent advances in kernel methods, analysing the related methodological and practical challenges: Part I introduces the key concepts of machine learning for remote sensing, and the theoretical and practical foundations of kernel methods. Part II explores supervised image classification including Super Vector Machines (SVMs), kernel discriminant analysis, multi-temporal image classification, target detection with kernels, and Support Vector Data Description (SVDD) algorithms for anomaly detection. Part III looks at semi-supervised classification with transductive SVM approaches for hyperspectral image classification and kernel mean data classification. Part IV examines regression and model inversion, including the concept of a kernel unmixing algorithm for hyperspectral imagery, the theory and methods for quantitative remote sensing inverse problems with kernel-based equations, kernel-based BRDF (Bidirectional Reflectance Distribution Function), and temperature retrieval KMs. Part V deals with kernel-based feature extraction and provides a review of the principles of several multivariate analysis methods and their kernel extensions. This book is aimed at engineers, scientists and researchers involved in remote sensing data processing, and also those working within machine learning and pattern recognition.