AI Summary & Key Takeaways
AI InsightBu bulgular, bina detaylarının şekilsel karmaşıklık düzeylerinin, çeşitli şekil göstergeleri ve yaygın kullanılan topluluk öğrenmesi sınıflandırma algoritmaları aracılığıyla oldukça yüksek bir doğrulukla sınıflandırılabileceğini göstermiştir.
📌 3 Key Takeaways
Özet
Şekil analizi, bilgisayar görüsü, coğrafi bilgi bilimi, kartografya, uzaktan algılama, kent morfolojisi, arazi yönetimi ve ekoloji gibi çeşitli alanlarda mekansal olguları/nesneleri karakterize etmek ve mekansal örüntüleri ortaya çıkartmak için kullanılır. Bu bağlamda, şekil göstergeleri, genel olarak mekansal detayların geometrilerinin ve/veya onlardan türetilen yardımcı geometrilerin metrik özellikleri yardımıyla karmaşıklık ve benzerlik gibi şekilsel karakteristikleri niceliksel olarak ifade ederler. Bununla birlikte, şekil göstergeleri mekansal detayların farklı şekilsel özelliklerini ölçmektedir. Bu nedenle, bir detayı şekilsel olarak karakterize ederken tek bir şekil göstergesinin kullanımı her zaman yeterli olmaz. Ayrıca, bu amaçla uygun sınıflandırma yöntemlerinin kullanılması da önemlidir. Bu çalışmada, dairesellik, dışbükeylik ve dikdörtgensellik şekil göstergeleri ile rastgele orman ve gradyan artırma topluluk öğrenme sınıflandırma algoritmaları birlikte kullanılarak 300 adet bina detayı şekilsel karmaşıklık düzeylerine göre basit, orta ve karmaşık olarak sınıflandırılmıştır. Görsel algıya dayalı olarak etiketlenen veri setiyle karşılaştırıldığında rastgele orman algoritması %93.33 genel doğruluk ( = 0.900) üretirken, gradyan artırma algoritması ise %92.33 genel doğruluk (󠆻 = 0.885) üretmiştir. Bu bulgular, bina detaylarının şekilsel karmaşıklık düzeylerinin, çeşitli şekil göstergeleri ve yaygın kullanılan topluluk öğrenmesi sınıflandırma algoritmaları aracılığıyla oldukça yüksek bir doğrulukla sınıflandırılabileceğini göstermiştir.