L’HISTOIRE REVISITEE de l’EPS – Les RAPPORTS DE L’EP aux TECHNIQUES CORPORELLE S
TECHNIQUES CORPORELLES ET ÉDUCATION PHYSIQUE
Os experimentos do primeiro grupo foram baseados nos seguintes componentes:
• O classificador incorporado no processo de seleção de bandas, ou seja, o GMLC (paramé- trico) ou o SVM (não-paramétrico). Essa avaliação teve o objetivo de auxiliar na escolha do classificador que é incorporado no WMoEBS;
• Utilização ou não da informação espacial obtida por meio de estratégias de filtragem. Essa avaliação visou auxiliar na análise da possibilidade do uso de informação espacial integrada à informação espectral no processo de seleção de bandas. Para isso foram mos- trados os resultados e discutidas as possíveis vantagens do uso dessa informação; e • Função de fitness f1, ou seja, baseada em OA ou AA. Em cada um dos casos analisados
nesse grupo de experimentos, um desses dois índices foi sempre utilizado em conjunto com f2apresentada na equação 5.5.
Para selecionar uma única solução da fronteira de Pareto, o DM que captura a solução com melhor valor de f1 foi utilizado. Para permitir o uso da informação espacial, o filtro de média
foi inicialmente escolhido, por ser suficiente para avaliar o impacto da informação espacial na seleção de bandas e classificação, conforme já demonstrado em outros trabalhos da literatura, como em Liang et al. (2017). Posteriormente, no segundo grupo de experimentos a utilização da informação espacial proporcionada por diferentes filtros foi avaliada de forma integrada ao processo de seleção de bandas na busca da opção mais adequada para compor o WMoEBS. Dessa forma determinou-se as seguintes configurações para os experimentos:
• MOEA/D para o processo de seleção de bandas com parâmetros mostrados na Tabela 5.1;
• 5-fold cross-validation para testar as bandas selecionadas em operações de classificação;
• 3-fold cross-validation para composição da função de fitness baseada na OA ou AA du- rante os processos de seleção de bandas;
• Filtros com kernels de tamanho 3 × 3; e
• DM que captura a solução com melhor valor de f1da fronteira de Pareto.
Foram realizados experimentos usando cada um dos possíveis índices para se estabelecer a função de fitness f1, ou seja, OA ou AA. Assim, as seguintes combinações de componentes
foram testadas para cada um desses índices:
1. SVM: Classificador SVM-RBF sem o uso da informação espacial, ou seja, considerando apenas a informação espectral;
2. SVM+informação espacial: Classificador SVM-RBF com o uso da informação espacial obtida por filtro de média considerando os pixels da vizinhança;
3. GMLC: Classificador GMLC sem o uso da informação espacial, ou seja, considerando apenas a informação espectral; e
4. GMLC+informação espacial: Classificador GMLC com o uso da informação espacial obtida por filtro de média considerando os pixels da vizinhança.
A Tabela 5.2 apresenta os valores obtidos para cada uma das combinações de componentes nas três imagens comparadas. Nessa tabela, na primeira coluna é apresentado o índice utilizado como base para f1, a segunda coluna representa as combinações de componentes avaliadas
nos experimentos e, também, a quantidade média de bandas obtida por meio do 5-fold cross- validation. As colunas restantes representam os resultados para um dos três índices avaliados (OA, AA e Coeficiente Kappa (KC)) e seus respectivos desvios padrões σ.
5.3.1.1 Análise dos Resultados do Grupo de Experimentos 1
• Índice KC: Conforme previamente apresentado, os valores adequados do índice KC para concordância quase perfeito entre classificador e GT ocorrem quando superam 0,8. Para esse critério, somente o SVM-RBF proporcionou resultados adequados quando conside- rados os dados de todas as imagens avaliadas com as bandas selecionadas. Resultados proporcionados por esse classificador indicaram concordância quase perfeita com o GT. O GMLC conseguiu promover um desempenho bom para imagens Salinas e Pavia Univer- sity, porém, para imagem Indian Pines, o desempenho foi ruim mesmo quando utilizada a informação espacial promovida pelo filtro de média.
Quando utilizada a informação espacial em conjunto ao SVM-RBF ou GMLC verifica-se que os valores foram maiores em ambos os casos. Porém, mesmo quando a informação
Tabela 5.2. Resultados da quantidade de bandas e classificação dos experimentos usando ou não a informação espacial, f1baseado em diferentes índices e com bandas selecionadas usando o MOEA/D.
Indian Pines
f1 Método ResultadosOA% σ AA% σ KC σ
OA
SVM (30 bandas) 83,7 1,8 78,6 3,2 0,81 0,02
SVM+inf. espacial (30 bandas) 89,8 3,3 86,7 5,1 0,88 0,04
GMLC (30 bandas) 61,0 5,2 59,3 4,3 0,56 0,06
GMLC+inf. espacial (30 bandas) 70,3 3,6 65,5 3,6 0,66 0,04 AA
SVM (30 bandas) 82,8 3,4 74,7 5,0 0,81 0,04
SVM+inf. espacial (30 bandas) 86,2 2,1 81,3 5,1 0,84 0,02
GMLC (30 bandas) 58,9 4,0 55,3 2,5 0,53 0,04
GMLC+inf. espacial (30 bandas) 70,3 3,9 65,4 3,7 0,66 0,04 Salinas
f1 Método ResultadosOA% σ AA% σ KC σ
OA
SVM (30 bandas) 92,8 0,6 96,6 0,3 0,92 0,01
SVM+inf. espacial (30 bandas) 95,5 0,5 97,8 0,3 0,95 0,01
GMLC (30 bandas) 90,2 1,2 96,0 0,6 0,89 0,01
GMLC+inf. espacial (30 bandas) 90,5 0,6 96,0 0,5 0,89 0,01 AA
SVM (30 bandas) 92,3 0,8 96,5 0,4 0,91 0,01
SVM+inf. espacial(27 bandas) 95,2 0,8 97,8 0,4 0,95 0,01
GMLC (30 bandas) 90,2 1,0 95,8 0,3 0,89 0,01
GMLC+inf. espacial (30 bandas) 94,9 0,7 97,8 0,3 0,94 0,01 Pavia University
f1 Método ResultadosOA% σ AA% σ KC σ
OA
SVM (27 bandas) 93,2 0,3 91,4 1,9 0,91 0,01
SVM+inf. espacial (29 bandas) 97,1 0,6 96,1 1,0 0,96 0,01
GMLC (23 bandas) 91,3 0,9 88,7 1,7 0,88 0,01
GMLC+inf. espacial (24 bandas) 96,7 0,25 94,3 1,1 0,96 0,00 AA
SVM (29 bandas) 93,0 0,9 91,5 1,7 0,90 0,01
SVM+inf. espacial (29 bandas) 96,7 0,3 95,9 0,5 0,95 0,00
GMLC (20 bandas) 90,8 1,1 90,3 1,5 0,88 0,01
GMLC+inf. espacial (21 bandas) 95,8 1,3 91,1 6,5 0,94 0,02 espacial foi utilizada para o GMLC, esse algoritmo não conseguiu atingir o índice de 0,8 para imagem Indian Pines.
• Índices OA e AA: O bom desempenho proporcionado pelo SVM-RBF também é apre- sentado para os índices OA e AA, e a diferença dos resultados entre esse classificador e o GMLC é apresentada em todos os casos, porém, é maior para a imagem Indian Pines. Quando utilizada a informação espacial, a melhoria de desempenho acontece para ambos os classificadores e para todas os índices avaliados. A vantagem do SVM-RBF em relação
ao GMLC ocorre tanto para o uso da informação espacial proporcionada pela aplicação do filtro de média, quanto sem a utilização dessa informação.
Por exemplo, para a imagem Indian Pines, o índice OA com o uso da informação espacial, o SVM-RBF apresentou 89,8 (destacado em negrito na Tabela 5.2) contra 70,3 de valor médio de OA quando o GMLC foi aplicado. Já para a mesma utilização da informação espacial e f1 baseado no índice de OA o valor obtido pelo SVM-RBF foi bem maior
que o valor médio de 83,7 apresentado quando a informação espacial não foi utilizada. Ainda para imagens Indian Pines, e quando o índice de AA é usado como base para f1,
o SVM apresentou o valor médio de 86,2 para OA com o uso da informação espacial e 82,8 sem o uso da informação espacial. Para as imagens Salinas e Pavia University, o GMLC promoveu resultados bastante próximos aos proporcionados pelo SVM-RBF, principalmente quando AA foi utilizada como base para f1.
A utilização da informação espacial proporcionada pelo uso de filtragem espacial pode ter auxiliado na redução de ruídos presentes nas bandas espectrais. Isso pode ter ocor- rido porque elas são provenientes de Sensoriamento Remoto e podem ser afetadas por interferências entre os sensores e objetos monitorados.
Uma possível justificativa para o desempenho inferior do GMLC é devido à necessidade desse algoritmo ter uma quantidade maior de amostras de treinamento para poder possi- bilitar a obtenção adequada dos vetores de média e matrizes de covariância, ou seja, para que as classes possam ser adequadas à suposição de terem distribuições Gaussianas. O algoritmo SVM-RBF, como é um classificador não paramétrico, não necessita fazer suposições sobre a distribuição dos dados, o que provavelmente permitiu um melhor de- sempenho de classificação. Além disso, esse algoritmo é frequentemente apontado como uma boa estratégia para quando poucas amostras estão disponíveis, sendo uma boa alter- nativa para IHs, o que fortalece a escolha dele como opção para compor o WMoEBS. Quando comparadas aos dois índices possíveis para serem utilizadas no estabelecimento de f1e assim conduzir o processo de seleção de bandas em conjunto a f2, observa-se que
a OA, permitiu evoluir os três índices (OA, AA e KC) avaliados conjuntamente nos três casos analisados. Uma importante observação é que mesmo para o índice de AA a seleção de bandas conduzida por f1 baseada no OA, conseguiu apresentar bons resultados. Isso
mostra que houve pouca influência em amostras com classes desbalanceadas e, portanto, motivou a escolha de OA para composição do WMoEBS.
Para todos os casos, a utilização da informação espacial em conjunto ao classificador SVM-RBF, OA como base para f1 e bandas selecionadas, foi a combinação que apre-
sentou os melhores resultados de classificação e isso foi um primeiro indicativo para sua escolha na composição do WMoEBS.
• Quantidade de bandas: Para as imagens Indian Pines e Salinas pode-se observar que a quantidade média de bandas obtida para maioria dos casos foi de 30, o que pode sugerir que o limiar utilizado na estratégia de reparo para essa imagem está muito baixo e valores maiores poderiam ser considerados. Quantidades menores de bandas podem ser obser- vadas principalmente para a imagem Pavia University, onde, para esse critério, o GMLC foi melhor que o SVM com ou sem informação espacial. Análises sobre a quantidade de bandas são detalhadas no terceiro grupo de experimentos.
Síntese dos Resultados do Grupo de Experimentos 1: Baseado nas avaliações realizadas no primeiro grupo de experimentos, foram possíveis realizar escolhas de alguns dos componen- tes para compor o WMoEBS. Os primeiros componentes escolhidos são listados a seguir:
• Classificador: SVM-RBF, principalmente por operar bem com poucas amostras e apre- sentar bons resultados nos experimentos;
• Utilização da informação espacial por meio de filtros: pois junto ao componente clas- sificador SVM-RBF, permitiu bons resultados de classificação sendo muitas vezes bem melhores que a não utilização; e
• OA para compor f1: pois apresentou a maioria dos melhores resultados com os três índi-
ces analisados, ou seja, OA, AA e KC.
Essas definições possibilitaram reduzir os números de testes necessários nos experimentos pos- teriores. O filtro de média utilizado anteriormente, poderia não ser o mais adequado para con- siderar as informações espaciais e, portanto, outros filtros considerados.