Το ΚΥΤΠ σε συνεργασία με την Inforest O.C. διοργανώνει σεμινάριο βασικής εκπαίδευσης στη χρήση του λογισμικού eCognition Developer με τίτλο:

“Πρακτική εφαρμογή και λειτουργία του λογισμικού (eCognition) για Αντικειμενοστραφή Ταξινόμηση Τηλεπισκοπικών Δεδομένων”

Το σεμινάριο θα πραγματοποιηθεί στην Κεντρική Νησίδα Υπολογιστών του ΑΠΘ (ισόγειο Κεντρικής Βιβλιοθήκης), και είναι δωρεάν για τους συμμετέχοντες. Το σεμινάριο είναι τριήμερο και έχει διάρκεια 15 ωρών.

Ημερομηνίες διεξαγωγής: Τρ 24 Απρ – Πε 26 Απρ, 09:00-14:30

Δικαίωμα συμμετοχής έχουν τα μέλη ΔΕΠ, ΕΤΕΠ, ΕΕΔΙΠ, Διοικητικοί Υπάλληλοι και μεταπτυχιακοί φοιτητές. Η επιλογή των αιτήσεων γίνεται με βάση τη σειρά υποβολής της αίτησης.

Αίτηση για το σεμινάριο μπορείτε να κάνετε εδώ

Πρώτα πρέπει να γίνει “Είσοδος χρήστη” (πάνω δεξιά στην σελίδα). Απαιτείται λογαριασμός από το Κέντρο Λειτουργίας Δικτύου http://noc.auth.gr/

ΣΚΟΠΟΣ ΤΟΥ ΣΕΜΙΝΑΡΙΟΥ

Η γνωριμία με το λογισμικό Αντικειμενοστραφούς Ταξινόμησης (eCognition), η κατανόηση του περιβάλλοντος εργασίας του λογισμικού και η παρουσίαση των δυνατοτήτων του. Κατά την διάρκεια του σεμιναρίου οι συμμετέχοντες θα εκπαιδευτούν με πραγματικά δεδομένα για:

1. Να εισάγουν και να απεικονίζουν δεδομένα.
2. Να κατανοούν τους διαφορετικούς τύπους κατάτμησης εικόνας (segmentation) και να επιλέγουν τις κατάλληλες παραμέτρους και μεθόδους για την καλύτερη δυνατή κατάτμηση με βάση τις ανάγκες μιας εφαρμογής.
3. Να εξερευνούν και να απεικονίζουν τα διαθέσιμα χαρακτηριστικά και ιδιότητες της εικόνας και να επιλέγουν τα κατάλληλα για την ταχύτερη και ακριβέστερη ταξινόμηση.
4. Να δημιουργούν χαρακτηριστικά προσαρμοσμένα στις ανάγκες μιας εφαρμογής
5. Να πραγματοποιούν μία μονοθεματική και μονοδιάστατη ταξινόμηση.
6. Να πραγματοποιούν μια πολυθεματική και πολυδιάστατη ταξινόμηση με την χρήση σχέσεων ασαφούς λογικής.
7. Να πραγματοποιούν post classification διορθώσεις για βελτίωση της θεματικής και χωρικής ακρίβειας της ταξινόμησης.
8. Να πραγματοποιούν μια αυτοματοποιημένη ταξινόμηση με την χρήση του Nearest Neighbor.
9. Να επιλέγουν με αυτοματοποιημένο τρόπο το συνδυασμό χαρακτηριστικών με την μέγιστη διαχωριστική ικανότητα μεταξύ δυο η περισσότερων τάξεων.
10. Να ορίζουν τον πολυδιάστατο χώρο του Nearest Neighbor ανάλογα με την απόδοση του σε κάθε τάξη.
11. Να εισάγουν θεματικά δεδομένα και να τα χρησιμοποιούν τόσο στην κατάτμηση όσο και στην ταξινόμηση της εικόνας.
12. Να εκτιμούν την ακρίβεια της ταξινόμησης με την χρήση πινάκων σύγχυσης.
13. Να εξάγουν τα αποτελέσματα της ταξινόμησης στον επιθυμητό μορφότυπο.

ΘΕΜΑΤΙΚΕΣ ΕΝΟΤΗΤΕΣ – ΑΣΚΗΣΕΙΣ

• Εισαγωγή στο Περιβάλλον Εργασίας του Definiens Developer 7

• Εισαγωγή και απεικόνιση δεδομένων
 
• Δημιουργία εντολών στο περιβάλλον του Process Tree
 
• Εισαγωγή στις μεθόδους κατάτμησης (Segmentation)
 
• Εφαρμογή Chessboard, Quad-tree και Multiresolution Segmentation
 
• Μονοδιάστατη και Μονοθεματική ταξινόμηση
 
• Δημιουργία χαρακτηριστικών προσαρμοσμένα στις ανάγκες της εφαρμογής
 
• Πολυδιάστατη και Πολυθεματική ταξινόμηση με χρήση σχέσεων ασαφούς λογικής.
 
• Πολυδιάστατη και Πολυθεματική ταξινόμηση με χρήση θεματικών και ιεραρχικών σχέσεων.
 
• Διορθώσεις σφαλμάτων ταξινόμησης με την χρήση των αλγορίθμων Grow Region και Merge region.
 
• Ταξινόμηση με την χρήση του Nearest Neighbor (click and Classify)

• Επιλογή αντικειμένων δειγμάτων «on screen» και περιγραφή του πολυδιάστατου χώρου του Nearest Neighbor
 
• Εισαγωγή θεματικών δεδομένων και επιλογή Αντικειμένων Δειγμάτων με την χρήση διανυσματικών αρχείων.
 
• Αυτόματη Επιλογή του συνδυασμού χαρακτηριστικών με την μέγιστη διαχωριστική ικανότητα και εφαρμογή του στο χώρο του Nearest Neighbour
 
• Εκτίμηση ακρίβειας της ταξινόμησης με την χρήση πινάκων σύγχυσης
 
• Εξαγωγή των αποτελεσμάτων ταξινόμησης σε διάφορους μορφότυπους.