স্থানিক ডোমেন:
এটি আমার কাছে ইমেজ প্রসেসিংয়ের সমস্যার মতো মনে হয়। ক্লাস্টারিংয়ের পদ্ধতিগুলি সাহায্য করতে পারে তবে কোন মেট্রিক (দূরত্ব, বৈকল্পিকতা, বিচ্ছিন্নতা ...) এবং কোন অ্যালগরিদম (কে-মানে, গড়-শিফট, ইএম ...) আপনার ক্ষেত্রে সেরা উপযুক্ত তা আপনার চিত্র টপোলজি এবং আপনি যে বৈশিষ্ট্যগুলি দ্বারা নির্ধারিত হয় ব্যবহার করতে যাচ্ছি। আপনি মাঝারি এবং সূক্ষ্ম রাস্টারগুলিতে ইমেজ বিনিং প্রয়োগ করতে পারেন। তারপরে কোনটি আপনাকে আপনার মূল মাঝারি / সূক্ষ্ম রাস্টারগুলির সাথে তুলনা করে সামগ্রিক সেরা বিভাগের নির্ভুলতা দেয় তা দেখার জন্য বিভিন্ন ক্লাস্টারিং কৌশল ব্যবহার করে দেখুন। স্কেল স্পেস হায়ারার্কি fi n করার জন্য কিছু প্রাক-প্রক্রিয়াজাতকরণ কৌশলগুলি সহায়তা করতে পারে। এই প্রতিবেদনের ৩ য় অধ্যায়ে একটি হায়ারার্কি সেগমেন্টেশন অ্যালগরিদম দেখানো হয়েছে যাতে আপনি
(1) স্কেল স্পেস তৈরি করা;
(২) প্রতিটি স্কেল স্তরে অতিরিক্ত এবং স্যাডলস সন্ধান করুন;
(3) প্রতিটি সমালোচনামূলক বিন্দুকে একটি নির্দিষ্ট স্কেল স্তরে পরবর্তী স্কেল স্তরের সাথে সম্পর্কিত জায়গার সাথে সংযুক্ত করুন এবং সমালোচনামূলক পথগুলি সন্ধান করুন;
(4) আইসো-তীব্রতা পৃষ্ঠ অনুসন্ধানের উপর ভিত্তি করে স্কেল স্পেস হায়ারার্কি সংকল্প।
ক্লাস্টারিং পদ্ধতিগুলির জন্য যে এলোমেলোভাবে প্রাথমিককরণের প্রয়োজন, যেমন কে-মেনস হিসাবে, আপনি আরও ক্লাস্টারিংয়ের জন্য খুঁজে পাওয়া যায়নিক্রমটিকে প্রাথমিক ক্লাস্টার এবং সেন্ট্রয়েড হিসাবে ব্যবহার করতে পারেন। এছাড়াও, আপনার চিত্রের চরিত্রগুলির উপর নির্ভর করে আপনি ক্লাস্টারিং অ্যালগরিদমে আরও বেশি বৈশিষ্ট্য (যেমন টেক্সচার পরিবর্তন, আরজিবি স্থানের তুলনায় অন্যান্য স্থানের তথ্য ইত্যাদি) যুক্ত করতে চাইতে পারেন।
টেম্পোরাল ডোমেন
এখন আপনার কাছে বিভিন্ন টাইম স্কেল সহ চিত্রগুলি রয়েছে তবে একই রেজোলিউশন (আশা করি)। যদি আপনার পূর্বাভাসের কাজটি মহাদেশ, ঝড় বা বৃষ্টিপাতের কিছু চলাচলের অনুমান করা হয় তবে আপনি কলম্যান ফিল্টার দিয়ে গতি অনুমানের চেষ্টা করতে পারেন । প্রতিটি পিক্সেলের গতি অঞ্চলের সেন্ট্রয়েডের সাথে তুলনা করে তার মেট্রিকের উপর ভিত্তি করে সংশ্লিষ্ট অঞ্চলে (ক্লাস্টার) অভ্যন্তরে ওজন করা যায়। স্বল্প-মেয়াদী সময়ের সিক্যুয়েন্স পূর্বাভাসের জন্য আপনি নিউরাল নেটওয়ার্ক ব্যবহার করতে পারেন ( অধ্যায় 3এই থিসিসে)। এবং যেহেতু কলমানের কেবল বায়েস বিধি বাস্তবায়নের জন্য একটি পদ্ধতি, তাই রাষ্ট্রীয় অনুমানের জন্য সর্বাধিক সম্ভাবনা প্রয়োগ করা যেতে পারে। রাজ্য-অনুমানের পদ্ধতি পুনরাবৃত্তির সাথে প্রয়োগ করা যেতে পারে। পূর্ববর্তী সময় ধাপের পূর্ববর্তী গতিশীলতা মডেলের মাধ্যমে চালিত হয় এবং বর্তমান সময়ের পদক্ষেপের জন্য নতুন পূর্ব হয়ে যায়। তারপরে এই পর্যবেক্ষণটি বর্তমান পর্যবেক্ষণটি ব্যবহার করে একটি নতুন পোস্টারে রূপান্তর করা যেতে পারে। ফলস্বরূপ, পুনরায় প্রাক্কলন পদ্ধতি যেমন ইএম এর মতো কালম্যান ফিল্টারে প্যারামিটারগুলি শিখতে ব্যবহার করা যেতে পারে। একই থিসিসের Chapter ষ্ঠ অধ্যায় , এবং কলম্যান স্মুথ করা উভয়ের সমীক্ষায় ইএম দিয়ে পরামিতিগুলি শেখার বিষয়ে আরও বিশদ অন্তর্ভুক্ত রয়েছে।