공간 도메인 :
그것은 이미지 처리 문제처럼 보입니다. 클러스터링 방법은 도움이 될 수 있지만 어떤 메트릭 (거리, 분산, 불일치 ...) 및 어떤 알고리즘 (k- 평균, 평균 이동, EM ...)이 사용자의 이미지 토폴로지 및 기능에 따라 결정됩니까? 사용하려고합니다. 중간 및 미세 래스터에서 이미지 비닝을 구현할 수 있습니다. 그런 다음 다른 클러스터링 기술을 사용하여 원래 중형 / 미세 래스터와 비교하여 전체적으로 최고의 분할 정확도를 제공하는 방법을 확인하십시오. 스케일 공간 계층을 찾기위한 일부 전처리 전략이 도움이 될 수 있습니다. 이 보고서의 3 장 에는 하나의 계층 구조 분할 알고리즘 이 있습니다.
(1) 규모 공간을 구축;
(2) 모든 척도 수준에서 극단과 안장을 찾으십시오.
(3) 특정 스케일 레벨의 각 임계점을 다음 스케일 레벨의 해당 위치에 연결하고 임계 경로를 찾으십시오.
(4) 등 강도 표면 검색을 기반으로 스케일 공간 계층 결정.
k- 평균과 같이 무작위 초기화가 필요한 군집화 방법의 경우, 발견 된 계층 구조를 초기 군집으로 사용하고 추가 군집화를위한 중심으로 사용할 수 있습니다. 또한 이미지의 문자에 따라 클러스터링 알고리즘에 더 많은 기능 (예 : 텍스처 변경, RGB 공간 이외의 다른 공간 정보 등)을 추가 할 수도 있습니다.
임시 도메인
이제 시간 스케일이 다르지만 해상도가 동일한 이미지가 있습니다. 예측 작업이 일부 대륙, 폭풍 또는 강우의 움직임을 추정하는 경우 Kalman filter로 모션 추정을 시도 할 수 있습니다 . 각 픽셀에 대한 모션은 해당 영역의 중심과 비교 된 해당 메트릭을 기반으로 해당 영역 (클러스터) 내부에 가중치를 적용 할 수 있습니다. 단기 시간 순서 예측에 신경망을 사용할 수 있습니다 ( 3 장이 논문에서). 칼만 필터는 단순히 베이 즈 규칙을 구현하는 방법이기 때문에 상태 추정에 최대 가능성을 적용 할 수 있습니다. 상태 추정 절차는 재귀 적으로 구현 될 수 있습니다. 이전 시간 단계의 후부는 역학 모델을 통해 실행되며 현재 시간 단계의 새로운 이전이됩니다. 그런 다음이 사전은 현재 관측 값을 사용하여 새로운 후부로 변환 될 수 있습니다. 결과적으로 EM과 같은 반복 매개 변수 재 추정 절차를 사용하여 칼만 필터의 매개 변수를 학습 할 수 있습니다. 같은 논문의 6 장 과 칼만 스무딩에 대한 연구 에는 EM으로 학습하는 매개 변수에 대한 자세한 내용이 포함되어 있습니다.