Classificador adaptativo para dados imagem em alta dimensionalidade com um conjunto pequeno de amostras de treinamento

Abstract

Neste trabalho é testado um classificador adaptativo que visa suavizar os efeitos causados por um número insuficiente de amostras de treinamento, fato este que pode degradar severamente a acurácia dos resultados obtidos por um classificador paramétrico utilizando dados com dimensão alta. O classificador adaptativo adiciona amostras semi-rotuladas ao conjunto das amostras de treinamento com o objetivo de reduzir os efeitos causados pelo pequeno número de amostras. O efeito das amostras semi-rohlladas é controlado por meio de um peso menor do que o peso atribuído as amostras originais. Os experimentos desenvolvidos mostram que este procedimento é eficiente na redução dos efeitos do fenômeno de Hughes contribuindo para aumentar a acurácia da imagem temática produzida.

In this paper, we test a self-leaming and self-improving adaptive classifier to mitigate the problem of small training sample size that can severely affect the accuracy of the results produced by a parametric classifier employing high dimensional image data. The adaptive classifier mitigates the small training sample size by adding semi-labeled samples to the training set. In order to control the influence of semi-labeled samples, the proposed method assigns full weight to the training samples and reduced weight to semi-labeled samples. Experiments show that this procedure is effective in mitigating the Hughes phenomenon and increasing therefore the accuracy ofthe resulting thematic map