Advertisement

Verwendung von neuralen Netzwerken zur Klassifikation natürlicher Objekte am Beispiel der Baumerkennung aus Farb-Infrarot-Luftbildern

  • H. Bischof
  • A. Pinz
Part of the Informatik-Fachberichte book series (INFORMATIK, volume 252)

Abstract

Es wird die Verwendung von neuralen Netzwerken zur Klassifikation von natürlichen Objekten erörtert, als Beispiel dient die Baumartenbestimmung von Bäumen auf Farb-Infrarot-Luftbildern. Es wird gezeigt, wie die Vorhersagegenauigkeit durch das Zusammenbauen von Netzwerken, die mit verschiedenen Parametern trainiert wurden, gesteigert werden kann, wobei WV-Diagramme (weight visualization diagrams) ein wertvolles Hilfsmittel darstellen. Weiters wird die Einbindung von neuralen Netzwerken in konventionelle bildverstehende Systeme diskutiert.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. [1]
    Anshelerich, V.V., Amirikian, A.V., Lukashin, A.V., Frank-Komenetskii, M.D., On the Ability of Neural Networks to Perform Generalisation by Induction, Biol. Cybernetics, 61, 125–128, 1989.Google Scholar
  2. [2]
    Behrens, K., Gabler, H., Gabler, R., Nicolin, B., Sties, M., Ein wissensbasiertes System zur Analyse von Luftbildern in: Hartmann G. (Hrsg.): Mustererkennung 1986, 8. DAGM-Symposion Paderborn IFB 125, Springer 1986.Google Scholar
  3. [3]
    Bischof H., Interpretation von Fernerkundungsdaten mit Hilfe von Backpropagation Netzwerken am Beispiel der Baumerkennung aus Farb-Infrarot Luftbildern, Diplomarbeit der TU-Wien, 1989.Google Scholar
  4. [4]
    Bischof, H., Pinz, A., Verwendung von neuralen Netzwerken zur Bestimmung der Baumart aus digitalen Rasterbildern, in:Pinz (ed.): Wissensbasierte Mustererkennung, OCG Schriftenreihe 49, Oldenbourg 1989.Google Scholar
  5. [5]
    Haenel S., Tränker H., Eckstein W., Automatic Detection of Tree Crowns in Aerial Photographs: The Path trough the Bottelneck, in: 2. DFVLR-Statusseminar, Oberpfaffenhofen, 1987.Google Scholar
  6. [6]
    Hinton, G.E., McCelland, J.L., Rumelhart, D.E., Distributed Representations, in: Rumelhart,McCelland (Hrsg), Parallel Distributed Processing, Vol I, MIT Press, 1986.Google Scholar
  7. [7]
    Hornik, K., Multilayer Feedforward Networks are Universal Approximators, Neural Networks, Vol 2, 359–366, 1989.CrossRefGoogle Scholar
  8. [8]
    Lehky, S.R., Sejnowski, T.J., Network model of shape-from-shading: neural function arises from both receptive and projective fields, Nature, 333, 452–454, 1988.CrossRefGoogle Scholar
  9. [9]
    Matsuyama T., Hwang V., SIGMA: a framework for image understanding, integration of bottom-up and top-down processes 9. IJCAI 1985 Proc. Vol.2Google Scholar
  10. [10]
    Pinz, A., Final Results of the Vision Expert System VES: Finding Trees in Aerial Photographs, in: Pinz (ed.): Wissensbasierte Mustererkennung, OCG Schriftenreihe 49, Oldenbourg 1989.Google Scholar
  11. [11]
    Pinz, A., Ein bildverstehendes Experten System zur Erkennung von Bäumen auf Farb-Infrarot-Luftbildern, Dissertation TU Wien, Okt. 1988.Google Scholar
  12. [12]
    Pinz, A., Bischof, H., Constructing a Neural Network for the Interpretation of the Species of Trees in Aerial Photographs, Proc. 10. ICPR, IEEE Atlantic City, 1990.Google Scholar
  13. [13]
    Rumelhart, D.E., Hinton, G.E., Williams, R.J., Learning Internal Representations by Error Propagation, in Rumelhart,McClelland (Hrsg.), Parallel Distributed Processing, Vol I, MIT Press, 1986.Google Scholar
  14. [14]
    Rumelhart, D.E., Hinton, G.E., Williams, R.J., Learning representations by back-propagating errors, Nature, 323, 533–536, 1986.CrossRefGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1990

Authors and Affiliations

  • H. Bischof
    • 1
  • A. Pinz
    • 1
  1. 1.Inst. f. Vermessungswesen u. FernerkundungUniv. f. BodenkulturWienAustria

Personalised recommendations