Spatial classificatie

Presentatie over: "Spatial classificatie"— Transcript van de presentatie:

1 Spatial classificatie
Marlies Mooijekind

2 Overzicht Spatial classificatie
Two-step methode: classificeert objecten in spatial database Spatial classificatie van images Conclusies

3 Spatial classificatie
Classificatie: het toekennen van een een voorgedefinieerde klasse aan object op basis van zijn eigenschappen Spatial classificatie: geometrie spatial relaties met andere objecten eigenschappen van objecten in de buurt

4 Classificatieproces Learning fase: bouw classifier m.b.v. eigenschappen learning set classifier: decision tree, neurale netwerken Test fase Applicatie fase Close_to(x,water) Avg_income(x, LARGE) High_profit = N True False High_profit = Y

5 Algoritmen Veel algoritmen Verschillen in: soort classifier
toepassing (fraude detectie, landgebruik etc.) objecten die geclassificeerd worden Pixels in images Objecten in spatial database

6 Objecten in spatial database
object heeft non-spatial attributen en geometrisch attribuut Two-step methode vindt object beschrijvingen maakt decision tree

7 Two-step methode Object beschrijving: Bouwt decision tree
non-spatial attributen, number of salespersons in a store spatial gerelateerde attributen met non-spatial waarden, population living within 1km from store spatial predikaten, close_to(X,sea) spatial functies, driving_distance(x,sea) Bouwt decision tree

8 Voorbeeld Learning set:
5 objecten OID1,..,OID5 (winkels, winkelcentra) class label high_profit: Y of N

9 Object beschrijving Alleen relevante attributen, predikaten en functies gebruiken versnelt bouwen decision tree decision tree compacter en nauwkeuriger Welke attributen, predikaten en functies zijn relevant ?

10 Selecteren predikaten/functies
Two-step methode kies sample objecten uit learning set eerste ruwe predikaten/functies vinden van sample objecten (bijv. m.b.v. MBRs) relevante ruwe predikaten/functies extraheren alleen relevante predikaten/functies in detail berekenen voor alle objecten in learning set

11 Extractie relevante predikaten/functies
Elke predikaat/functie initieel gewicht 0 Update gewichten Voor elk sample: nearest hit en nearest miss S Nearest miss Nearest hit

12 Extractie relevante predikaten/functies
Behoud alleen predikaten/functies met gewicht > threshold gebaseerd op statische methoden

13 Object beschrijvingen
Bereken relevante predikaten/functies in detail en generaliseer

14 Spatial gerelateerde attributen met non-spatial waarden
Geaggregeerde informatie

15 Spatial gerelateerde attributen met non-spatial waarden
Geaggregeerde attributen berekenen met buffers: hoe groot buffers welk deel van object dat buffer snijdt meerekenen Relevantie analyse Geaggregeerde data generaliseren

16 Object beschrijving Close_to(x,water) Avg_income(x, LARGE)
High_profit = N True False High_profit = Y

17 Pixels in images Veel methoden pixel-based
Sommige methoden segmentatie van images: classificatie objecten = groepen van pixels Experimenten: subclassificatie m.b.v. geometrie (water in rivieren, kanalen, meren etc.)

18 Conclusies Spatial classificatie: Classificatie van
non-spatial attributen geometrie spatial relaties tussen objecten eigenschappen van buurobjecten Classificatie van objecten in spatial database: two-step methode pixel in images: verder onderzoek nodig