SVM or deep learning? A comparative study on remote sensing image classification

Liu, Peng; Choo, Kim‐Kwang Raymond; Wang, Lizhe; Huang, Fang

doi:10.1007/s00500-016-2247-2

Cited by 228 publications

(130 citation statements)

References 24 publications

Supporting

Mentioning

123

Contrasting

Unclassified

Order By: Relevance

“…The amount of data (of varying quality) which is being generated every day grows tremendously in the majority of scientific and B Jakub Nalepa jakub.nalepa@polsl.pl Michal Kawulok michal.kawulok@polsl.pl 1 Institute of Informatics, Silesian University of Technology, Akademicka 16, 44-100 Gliwice, Poland engineering domains, including, among others, medical imaging, text categorization, computational biology, genomics and banking. Although it may appear quite beneficial at the first glance-more data could mean more possibilities of extracting and revealing useful underlying knowledge-training SVMs from extremely large and difficult datasets became a pivotal issue due to the high time and memory complexity of the SVM training (Liu et al 2016;Qiu et al 2016).…”

Section: Introductionmentioning

confidence: 99%

Selecting training sets for support vector machines: a review

2018

View full text Add to dashboard Cite

Support vector machines (SVMs) are a supervised classifier successfully applied in a plethora of real-life applications. However, they suffer from the important shortcomings of their high time and memory training complexities, which depend on the training set size. This issue is especially challenging nowadays, since the amount of data generated every second becomes tremendously large in many domains. This review provides an extensive survey on existing methods for selecting SVM training data from large datasets. We divide the state-of-the-art techniques into several categories. They help understand the underlying ideas behind these algorithms, which may be useful in designing new methods to deal with this important problem. The review is complemented with the discussion on the future research pathways which can make SVMs easier to exploit in practice.

show abstract

Section: Introductionmentioning

confidence: 99%

Selecting training sets for support vector machines: a review

2018

View full text Add to dashboard Cite

show abstract

“…Недоліки методу:  модель SVM відносить новий приклад до тієї чи іншої категорії, що робить її не ймовірнісною, а лише бінарним класифікатором [19];…”

Section: метод опорних векторівunclassified

“…У праці [19] порівняно метод глибинного навчання на основі розрідженого автокодувальника (sparse auto-encoders) та SVM для класифікації супутникових знімків. Отримані результати свідчать про те, що SVM варто використовувати у випадку нестачі навчальних даних.…”

Section: методи класифікації земного покриву на основі «великих» обсяunclassified

Review of machine learning methods for Big satellite Data classification

Lavreniuk¹,

Novikov²

2018

SRIT

View full text Add to dashboard Cite

Анотація. З появою у вільному доступі великих обсягів супутникових даних дедалі більшої актуальності набуває розвиток методів машинного навчання на підставі геопросторових даних, зокрема, супутникових. Розглянуто основні методи машинного навчання і проаналізовано особливості та результати їх за-стосування до класифікації земного покриву за супутниковими даними висо-кого розрізнення. Особливу увагу приділено глибинним архітектурам, зокрема згортковим нейронним мережам, що натепер є найбільш потужним і точним методом для розпізнавання візуальних образів. Визначено основні переваги методів глибинного навчання над традиційними підходами до задач класифі-кації, що використовувались протягом останніх десятиліть і ґрунтувались на експертних знаннях для виокремлення ознак із вхідних даних.Ключові слова: машинне навчання, глибинне навчання, згорткова нейронна мережа, класифікація великих обсягів даних. ОГЛЯД МЕТОДІВ МАШИННОГО НАВЧАННЯМашинним навчанням називається галузь комп'ютерних наук, яка вивчає методи навчання комп'ютеризованих систем на підставі даних без програ-мування їх поведінки [1]. Методи машинного навчання (machine-learning methods) відіграють важливу роль у багатьох аспектах сучасного суспільства: від веб-пошуку до фільтрації контенту в соціальних мережах. Системи на базі методів машинного навчання використовуються в системах машинного зору, для ідентифікації об'єктів на зображеннях, аналізу людської мови і текстів тощо [2,3].Традиційно розпізнавання образів (або їх класифікація) здійснювалось на основі інформаційних ознак. Отже, побудова систем розпізнавання обра-зів (pattern-recognition) або систем, в основу яких покладено методи машин-ного навчання, потребувала експертних знань для розроблення методів та правил виокремлення ознак (feature extraction). Виокремлення ознак -це перетворення початкових «сирих» даних (таких як значення піксела на зо-браженні) у придатне подання (вектор ознак), з якого система навчання (класифікатор) може виявити і класифікувати образи, що подаються на вхід. Такі методи машинного навчання обмежені в можливостях обробляти при-родні дані в початковому вигляді [4].Існуючі типи класифікаторів систематизовано за різними критеріями і їх короткі характеристики наведено в табл. 1 [5].

show abstract

“…With the twoclass problem, training samples ( ) are given, where ∈ is the feature vector of the given sample and is the label of its class, (+1 and -1 point to the two classes which are benign and malign classes respectively). SVM builds an optimal hyper-plane that maximizes the margin to classify the samples [24].…”

Section: Classificationmentioning

confidence: 99%

“…The most direct form is making a comparison between deep learning architectures and support vector machine (SVM) in processing audio, images and videos. However, there are not enough studies to choose the parameters once using deep learning technique for regression and classification tasks [1]- [5].…”

Section: Introductionmentioning

confidence: 99%

New Deep Kernel Learning based Models for Image Classification

Abd-elsalam¹,

Hassan²,

W.Saleh³

2017

ijacsa

View full text Add to dashboard Cite

Abstract-Deep learning system is used for solving many problems in different domains but it gives an over-fitting risk when richer representations are increased. In this paper, three different models with different deep multiple kernel learning architectures are proposed and evaluated for the breast cancer classification problem. Discrete Wavelet transform and edge histogram descriptor are used to extract the image features. For image classification purpose, support vector machine with the proposed deep multiple kernel models are used. Also, the span bound is employed for optimizing these models over the dual objective function. Furthermore, the comparison between the performance of the traditional support vector machine which uses only single kernel and the introduced models is worked out that show the efficiency of the experimental results of the proposed models.

show abstract

SVM or deep learning? A comparative study on remote sensing image classification

Cited by 228 publications

References 24 publications

Selecting training sets for support vector machines: a review

Selecting training sets for support vector machines: a review

Review of machine learning methods for Big satellite Data classification

New Deep Kernel Learning based Models for Image Classification

Contact Info

Product

Resources

About