Prøveforelesning
Se prøveforelesningBedømmelseskomité
Professor Lorenzo Bruzzone, Department of Information Engineering and Computer Science, University of Trento
Professor Tormod Næs, Centre for Biospectroscopy and Data Modelling, Matforsk
Adjunct Associate Professor Anja Bråthen Kristoffersen, Norwegian School of Veterinary Science
Leder av disputas: Morten Dæhlen
Veileder: Profs. Anne H. S. Solberg, Geir Storvik og Fritz Albregtsen
Sammendrag
Optisk fjernmåling for jordobservasjon benytter ofte sensorer som produserer digitale bilder med høy spektral oppløsning. Slike hyperspektrale bilder har gjerne mellom 50 og 200 målepunkter i bølgelengdeintervallet 350-3000 nm per bildeelement (piksel). Vi har sett på bruken av slike bilder for automatisk klassifikasjon av landområder.
Hovedutfordringen ved statistisk klassifikasjon av slike data er at man ofte har tilgjengelig svært få piksler med kjent klassetilhørighet, og som dermed kan benyttes til å trene opp klassifikatorene, i forhold til den store mengden spektrale målepunkter i hvert piksel. Vi opererer derfor i et nærmest tomt, svært høydimensjonalt rom hvor de statistiske modellen har lett for å bli overtilpasset, altså at de generaliserer dårlig.
For å håndtere dette kan vi enten redusere antall dimensjoner, eller vi kan prøve å «forenkle» eller «fordreie» de full-dimensjonale klassifikatorene. I denne avhandlingen prøver vi å inkludere kunnskap om egenskaper til hyperspektrale data når vi foreslår nye tilnærminger innen hver av disse fremgangsmåtene.
Doktorgradsarbeidet ble utført ved gruppe for Digital Signalbehandling og Bildeanalyse ved Institutt for Informatikk ved Universitetet i Oslo. Oppgaven ligger innenfor fagområdene bildeanalyse og mønstergjenkjenning, som opererer i skjæringspunktet mellom anvendt matematikk, statistikk og informatikk.
Kontaktperson
For mer informasjon, kontakt Lena Korsnes.