Generic object categorization in PolSAR images - and beyond

Kann ein einziges System erfolgreich verschiedene Klassifikationsprobleme lösen, ohne dass das System selbst geändert wird? Der visuelle Kortex des Menschen kann - und so der Computer! Im Kontext dieser Arbeit bezieht sich "generische Objektkategorisierung" auf die Aufgabe, Instanzen verschiedener Objektklassen in Bildern zu detektieren. Das Hauptaugenmerk dieser Arbeit liegt dabei auf Bildern des polarimetrischen Synthetischen Apertur Radar (PolSAR). Aber die Arbeit ist keineswegs nur darauf beschränkt. Im Gegensatz zu anderen Arbeiten nimmt die vorliegende Thesis an, dass das eigentliche Kategorisierungsproblem (insbesondere Objekte welcher Klassen in den Bildern gesucht werden sollen) während des Entwurfs des Systems selbst nicht bekannt ist. Daraus folgt, dass jede Art kategorie-spezifischer Optimierung, wie die Benutzung spezialisierter Merkmale, manuelle Merkmalsauswahl oder die Ausnutzung von Modellwissen, unmöglich ist. Stattdessen basiert das vorgeschlagene System auf einer Zwei-Stufen-Struktur. Die erste Stufe nutzt zum Einen eine umfangreiche Menge an Merkmalsoperatoren, welche hauptsächlich radiometrische und texturelle Eigenschaften beschreiben, und zum Anderen einen Klassifizierer, welcher auf Random Forests basiert und mit hoch-dimensionalen Eingaberäumen umgehen kann. Die zweite Stufe berechnet Merkmale auf einem höheren Level, welche auf dem Klassifikationsergebnis der ersten Stufe beruhen. Ein zweiter Random-Forest basierter Klassifizierer schätzt die endgültige Posteriorverteilung des Klassenlabels. Die umfangreiche experimentelle Studie dieser Arbeit untersucht nicht nur die grundlegenden Charakteristika der neu vorgeschlagenen Erweiterung des Random Forest Klassifizierers. Sie wendet das entwickelte System auch auf eine große Menge von Bilddaten an, welche PolSAR Daten, optische Fernerkundungsbilder und Nahbereichsfotografien beinhalten, inklusive zahlreicher Klassifikationsprobleme, beginnend bei Landnutzungsklassifikation, über Gebäudedetektion, bis hin zur Detektion von Autos. Kein einziger Systemparameter wurde für das jeweilige Klassifikationsproblem angepasst. Das gesamte System wurde ohne weitere Optimierung ausgewertet (dh. trainiert und angewendet). Nichtsdestotrotz werden annehmbare Klassifikationsgenauigekeiten erreicht, welche teilweise sogar mit den Ergebnissen moderner Expertensysteme vergleichbar sind.

Author dc:creator

• Hänsch, Ronny

Advisor dc:contributor.advisor

• Hellwich, Olaf

Licence dc:rights.uri

• http://rightsstatements.org/vocab/InC/1.0/

Language dc:language.iso

en, English

Identifier URI

urn:nbn:de:kobv:83-opus4-49335
http://dx.doi.org/10.14279/depositonce-3998

OAI identifier oai:identifier

oai:depositonce.tu-berlin.de:11303/4295