Confronto tra algoritmi di clustering nella classificazione ibrida di immagini telerilevate dell'Antartide

In questo lavoro vengono messe a confronto tre tecniche di clustering neurale nell'ambito di una classificazione ibrida a due stadi, rispettivamente senza supervisione e con supervisione. I dati utilizzati sono immagini del satellite Landsat TM della regione di Tam Flat in Antartide. Gli algoritmi di clustering considerati, pur essendo tutti del tipo a "forgiatura deterministica" (deterministic annealing) poiché nel corso del processo d'apprendimento essi riducono a zero un parametro di scala, presentano diverse caratteristiche operative ed architetturali. I primi due algoritmi sono il Fuzzy Learning Vector Quantization (FLVQ), che opera in modalità fuori linea (batch), ed il Self-Organizing Map (SOM), che opera in linea (on line); entrambi richiedono all'utente di fissare il numero di cluster come parametro in ingresso. Il terzo algoritmo utilizzato nel confronto, chiamato Fully self-Organizing Adaptive Resonance Theory (FOSART), richiede all'utente di inserire come parametro d'ingresso una soglia normalizzata di vigilanza. A differenza dei primi due, FOSART è in grado di: i) generare dinamicamente prototipi e collegamenti laterali tra prototipi; queste attività sono svolte con modalità on line; ed ii) rimuovere dinamicamente prototipi e collegamenti laterali tra prototipi; queste attività sono svolte con modalità mini-batch, ovvero sulla base di statistiche collezionate nel corso di una sequenza di presentazioni di vettori d'ingresso. Il confronto tra i risultati ottenuti nella classificazione delle immagini del17Antartide indica che FOSART raggiunge la convergenza più rapidamente degli altri due modelli neurali, ma che a regime FLVQ e SOM garantiscono piestazioni migliori di FOSART. Nel confronto con un classificatore con supervisione ad uno stadio del tipo Multilayer Perceptron (MLP) lo schema ibrido di classificazione: a) è più semplice da implementare; b) richiede un minor tempo di apprendimento nell'ottenere analoghe percentuali di corretta classificazione; e C) è in grado di presentare bassi valori di attivazione per quei dati 'ingresso, detti outliers, che cadono in regioni dello spazio d'ingresso prive di vettori di training.