Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto

Abstract

A redução de dimensionalidade é uma das transformações de dados mais usadas em pesquisas científicas. Ela desempenha um papel crítico na manutenção das propriedades significativas dos atributos dos dados enquanto transforma esses dados de um espaço de alta para um de baixa dimensão. Estudos anteriores, e.g., sobre análise de imagens, comparando dados desses dois espaços descobriram que, geralmente, qualquer estudo relacionado à detecção de anomalias pode alcançar resultados iguais ou semelhantes quando aplicado a ambos os espaços dimensionais. No entanto, não existem estudos que comparam diferenças nesses espaços dimensionais relacionadas à estratégia de detecção de anomalias baseada na Taxonomia de Kittler (ADS-KT, do inglês Anomaly Detection Strategy based on Kittler’s Taxonomy). Este estudo tem como objetivo investigar as diferenças entre os dois espaços dimensionais, quando a técnica redução de dimensionalidade Principal Components Analysis (PCA) está associada à ADS-KT durante a análise de uma imagem de satélite. A metodologia iniciou com a execução da fase inicial da ADSKT para criar o espaço de alta dimensão. Logo após, a técnica de redução de dimensionalidade PCA gerou o espaço de baixa dimensão, em que combinações desse espaço foram feitas. Algumas características foram extraídas desses espaços dimensionais e analisadas com base em gráficos. Por fim, as abordagens de aprendizado de máquina, de acordo com a ADS-KT, produziram resultados para esses espaços. No capítulo de resultados, as métricas e as análises que avaliaram os espaços dimensionais apresentaram comportamentos diferentes. Em geral, nenhum espaço de atributos foi capaz de gerar os resultados com a mesma intensidade e qualidade que aquele obtido no espaço de alta dimensão. Portanto, concluímos que a redução da dimensionalidade impacta diretamente na aplicação da ADS-KT.

Dimensionality reduction is one of the most widely used data transformations in scientific research. It plays a critical role in maintaining the meaningful properties of data attributes while transforming the data from a high- to a low-dimensional space. Previous studies, e.g., on image analysis, comparing data from these two spaces have found that, generally, any study related to anomaly detection can achieve the same or similar results when applied to both dimensional spaces. However, there are no studies that compare differences in these dimensional spaces related to the Anomaly Detection Strategy based on Kittler’s Taxonomy (ADS-KT). This study aims to investigate the differences between the two dimensional spaces when the dimensionality reduction technique Principal Components Analysis (PCA) is associated with ADS-KT during satellite image analysis. The methodology started by performing the initial phase of ADS-KT to create the high-dimensional space. Afterward, the dimensionality reduction technique PCA generated the low-dimensional space, in which combinations of this space were made. Some features were extracted from these dimensional spaces and analyzed based on graphics. Finally, the machine learning approaches, according to ADS-KT, produced results for these spaces. In the results chapter, the metrics and analyses that evaluated the dimensional spaces showed different behaviors. In general, no feature space was able to generate results with the same intensity and quality as that obtained in the high-dimensional space. Therefore, we conclude that dimensionality reduction directly impacts the application of ADS-KT.