Browsing by Subject "Multi-sensor fusion"

Now showing 1 - 2 of 2

Open Access
iki diferansiyel PIR algılayıcı ve bir kamera yardımıyla el hareketlerinin sınıflandırılması
(IEEE, 2014-04) Erden, Fatih; Bingol, A. S.; Çetin, A. Enis
Bu makalede, iki diferansiyel kızılberisi algılayıcı (PIR) ve bir kamera kullanılarak geliştirilen el jestleri algılama ve sınıflandırma sistemi tanıtılmaktadır. İzlenen alanda diferansiyel PIR algılayıcı dizisi ile hareket varlığı araştırılır. Bir hareket algılanması durumunda kamera yardımıyla söz konusu hareketin el olup olmadığına, el ise çok modlu sistem verilerinin birlikte değerlendirilmesiyle hareketin hangi tanımlı sınıfa ait olduğuna karar verilir. Kamera ile el jestleri algılama ve hareketleri sınıflandırma aşamasında ten algılama ve dışbükey zarf-gedik hesaplama yöntemleri kullanılır. Farklı el hareketlerinin PIR algılayıcı verileri yardımıyla sınıflandırılması Winner-Take-All (WTA) imza metoduyla gerçekleştirilir. Bu makalenin temel katkısı, WTA imza kodlarının tek boyutlu sinyallerin sınıflandırılmasında kullanılabileceğini ve çoklu algılayıcı tümleştirmesiyle jestleri tanıma sonuçlarının geliştirilebileceğini göstermektir.
Open Access
Land cover classification with multi-sensor fusion of partly missing data
(American Society for Photogrammetry and Remote Sensing, 2009-05) Aksoy, S.; Koperski, K.; Tusk, C.; Marchisio, G.
We describe a system that uses decision tree-based tools for seamless acquisition of knowledge for classification of remotely sensed imagery. We concentrate on three important problems in this process: information fusion, model understandability, and handling of missing data. Importance of multi-sensor information fusion and the use of decision tree classifiers for such problems have been well-studied in the literature. However, these studies have been limited to the cases where all data sources have a full coverage for the scene under consideration. Our contribution in this paper is to show how decision tree classifiers can be learned with alternative (surrogate) decision nodes and result in models that are capable of dealing with missing data during both training and classification to handle cases where one or more measurements do not exist for some locations. We present detailed performance evaluation regarding the effectiveness of these classifiers for information fusion and feature selection, and study three different methods for handling missing data in comparative experiments. The results show that surrogate decisions incorporated into decision tree classifiers provide powerful models for fusing information from different data layers while being robust to missing data. © 2009 American Society for Photogrammetry and Remote Sensing.