Аннотації

Автор(и):
Альперт С. І.
Автор(и) (англ)
Alpert Sofiia
Дата публікації:

03.09.2020

Анотація (укр):

На сьогодні об’єднання інформації є однією із найбільш важливих процедур при класифікуванні гіперспектральних космічних зображень. Метою об’єднання інформації є спрощення даних, отриманих із різних джерел. Багато відомих методів об’єднання включають знаходження середнього арифметичного, середнього геометричного, максимального та мінімального значень. Правила комбінування є особливим типом методів об’єднання даних, отриманих із різних джерел. Ці джерела надають різні оцінки одним і тим же гіпотезам. Вимога щодо незалежності всіх джерел інформації є дуже важливим питанням. Опрацювання суперечливої інформації та комбінування суперечливих даних є дуже складною проблемою в задачах класифікування. Але багато відомих правил комбінування дають неправильні результати за наявності досить суперечливих частин свідчення. Відомі правила комбінування більше акцентують увагу на узгоджених джерелах інформації та ігнорують усі суперечливі частини свідчення. Ці правила не працюють за наявності досить суперечливих даних. Ось чому комбінування суперечливих частин свідчення є найбільш важливим питанням у дистанційному зондуванні Землі. У статті пропонується правило дисконтування для роботи із суперечливими джерелами інформації. Застосовуючи правило дисконтування, спочатку можна дисконтувати джерела, а потім скомбінувати результуючі базові маси за допомогою будь-якого відомого правила комбінування, використовуючи коефіцієнт дисконтування. Цей коефіцієнт дисконтування враховує абсолютну надійність джерел. Абсолютна надійність припускає, що ми можемо розрізняти джерела даних за надійністю і можемо виразити математично відмінності між різними джерелами. Також було зазначено, що правило дисконтування надає ненульову базову масу фрейму розрізнення. Ця процедура не змінює початкової інформації. Також розглянуто приклад застосування правила дисконтування для класифікування космічних зображень. Описане правило дисконтування може бути застосоване при класифікуванні лісів, при пошуку корисних копалин та розв’язку різноманітних екологічних і тематичних завдань.

Анотація (рус):

В настоящее время объединение информации является одной из наиболее важных процедур при классификации гиперспектральных космических изображений. Целью объединения информации является упрощение данных, полученных из разных источников. Много известных методов объединения включают нахождения среднего арифметического, среднего геометрического, максимального и минимального значений. Правила комбинирования является особым типом методов объединения данных, полученных из различных источников. Эти источники дают разные оценки одним и тем же гипотезам. Требование относительно независимости всех источников информации является очень важным вопросом. Обработка противоречивой информации и комбинирование противоречивых данных является очень сложной проблемой в задачах классификации. Но много известных правил комбинирования дают неверные результаты при наличии достаточно противоречивых частей свидетельства. Известные правила комбинирования больше акцентируют внимание на согласованных источниках информации и игнорируют все противоречивые части свидетельства. Данные правила не работают при наличии достаточно противоречивых данных. Вот почему комбинирование противоречивых частей свидетельства являются наиболее важным вопросом в дистанционном зондировании Земли. В статье предлагается правило дисконтирования для работы с противоречивыми источниками информации. Применяя правило дисконтирования, сначала можна дисконтировать источники, а затем скомбинировать результирующие базовые массы с помощью любого известного правила комбинирования, используя коэффициент дисконтирования. Данный коэффициент дисконтирования учитывает абсолютную надежность источников. Абсолютная надежность предполагает, что мы можем различать источники данных по надежности и можем выразить математически различия между разными источниками. Также было отмечено, что правило дисконтирования дает ненулевую базовую массу фрейму различия. Данная процедура не меняет исходной информации. Также был рассмотрен пример применения правила дисконтирования для классификации космических изображений. Описанное правило дисконтирования может быть применено при классификации лесов, при поиске полезных ископаемых и решении различных экологических и тематических задач.

Анотація (англ):

Nowadays information fusion is a one of most important procedures in hyperspectral satellite image classifica-tion. The purpose of aggregation of information is to simplify data from different sources. A lot of known aggrega-tion methods include arithmetic averages, geometric averages, maximum values or minimum values. Combination rules are the special types of aggregation methods for data obtained from different sources. These sources provide different assessments for the same hypotheses. The requirement for establishing the independence of all sources of information is a very important question. The processing of the conflicting information and combining of conflict-ing data is a very difficult problem in classification tasks. But a lot of known combination rules yield illogical results, when bodies of evidence highly conflict with each other. Known combination rules emphasizes the agree-ment between multiple sources of information and ignore all the conflicting bodies of evidence. These rules can’t deal with significant conflict in the data. That’s why the combination of conflicting bodies of evidence is the most important issue in remote sensing. In this paper Discount rule is proposed to deal with conflicting sources of in-formation. Applying Discount rule, we can discount the sources first, and then combine the resulting basic proba-bility assignments with any known combination rule, using a discounting function. These discounting function ac-counts for the absolute reliability of the sources. Absolute reliability implies that we can make distinctions be-tween the reliability of sources of data and can express these distinctions between different sources mathematically. This procedure doesn’t change initial information. It also was considered an example, where proposed Discount rule was used for satellite image classification. Described Discount rule can be applied in forest classification, in remote searching for minerals and solution of different ecological and thematic tasks.

Література:

  1. Alpert, М. І., Alpert, S. І. (2019, May). A new approach to the application of Jaccard coefficient and Cosine similarity in Hyperspectral Image Classification. Proceedings of the XVIII-th International Conference on Geoinformatics – Theoretical and Applied Aspects, 1 – 5, Kiev.
  2. Alpert, М. І., Alpert, S. І. (2020, May). New methods to determine basic probability assignment and data fusion in Hyperspectral Image Classification. Proceedings of the XIX-th International Conference on Geoinformatics – Theoretical and Applied Aspects, 1 – 5, Kiev.
  3. Inagaki, T. (1991).  Interdependence between Safety-Control Policy and Multiple-Sensor Schemes Via Dempster-Shafer Theory. IEEE Transactions on Reliability, 40 (2), 182 – 188.
  4. Smets, P., Henrion, M., Shachter, R.D., Kanal, L.N., Lemmer, J.F. (1990). Constructing the pignistic probability function in a context of uncertainty. Uncertainty in Artificial Intelligence. North Holland, Amsterdam, 5, 29 40.
  5. Yager, R. (1987). On the Dempster-Shafer Framework and New Combination Rules. Information Sciences, 41, 93–137.
  6. Smets, P. (2007). Analyzing the Combination of Conflicting Belief Functions. Information Fusion, 8, 387 – 412.
  7. Milisavljevic, N., Bloch, I., and  Acheroy, M. (2002). Modeling, combining and discounting mine detection sensors within Dempster-Shafer framework. In Detection Technologies for Mines and Minelike Targets. SPIE Press, Orlando, USA, 4038,
    1461 – 1472.
  8. McCoy, R. M. (2005). Fields Methods in Remote Sensing. New York: Guilford Press, 150 – 160.
  9. Popov, M. A. Alpert, S. I., Podorvan, V. N. (2017). Satellite image classification method using the Dempster-Shafer approach. Izvestiya, atmospheric and oceanic. Physics, 53(9), 1112 – 1122.
  10. Popov, M., Alpert, S., Podorvan,  V., Topolnytskyi M., Mieshkov, S. (2015).  Method of Hyperspectral Satellite Image Classification under Contaminated Training Samples Based on Dempster-Shafer’s Paradigm. Central European Researchers Journal, 1(1), 86 – 97.
  11. Gong, P. (1996). Integrated Analysis of Spatial Data from Multiple Sources: Using Evidential Reasoning and Artificial Neural Network Techniques for Geological Mapping. Photogrammetric Engineering and Remote Sensing, 62( 5), 513–523.
  12. Zhang, L., Yager, R. R., Kacprzyk J., Fedrizzi, M. (1994). Representation, independence, and combination of evidence in the Dempster-Shafer theory. Advances in the Dempster-Shafer Theory of Evidence. New York: John Wiley and Sons, Inc., 51–69.
  13. Bandos, T.V., Bruzzone, L., Camps-Valls, G. (2009). Classification of Hyperspectral Images with Regulized Linear Disctiminant Analysis. IEEE Transactions оn Geoscience аnd Remote Sensing, 47(3), 862 – 873.
  14. Chang, C. I. (2013). Hyperspectral Data Processing: Algorithm Design and Analysis. Hoboken, NJ: John Willey & Sons, 1164.