Domena przestrzenna:
Wydaje mi się, że to bardziej problem z przetwarzaniem obrazu. Metody grupowania mogą pomóc, ale która metryka (odległość, wariancja, nieciągłość ...) i który algorytm (k-średnie, średnie przesunięcie, EM ...) najlepiej pasuje do twojego przypadku, zależy od topologii obrazu i funkcji, którymi jesteś zamierzam użyć. Możesz zaimplementować binowanie obrazów na średnich i dokładnych rastrach. Następnie wypróbuj różne techniki grupowania, aby sprawdzić, która z nich zapewnia najlepszą najlepszą dokładność segmentacji w porównaniu z oryginalnymi średnimi / dokładnymi rastrami. Pomocne mogą być niektóre strategie przetwarzania wstępnego w celu znalezienia hierarchii przestrzeni skali. Jest jedna hierarchia algorytm segmentacji przedstawiono w rozdziale 3 niniejszego raportu , w którym
(1) Zbuduj przestrzeń skali;
(2) Znajdź ekstrema i siodła na każdym poziomie skali;
(3) Połącz każdy punkt krytyczny na pewnym poziomie skali z odpowiednią lokalizacją na następnym poziomie skali i znajdź ścieżki krytyczne;
(4) Skalowanie hierarchii przestrzeni w oparciu o wyszukiwanie powierzchni o intensywności izo-intensywności.
W przypadku metod grupowania wymagających losowej inicjalizacji, takich jak k-średnie, można użyć znalezionej hierarchii jako początkowych klastrów i środka ciężkości w celu dalszego grupowania. Poza tym, w zależności od znaków na obrazie, możesz również chcieć dodać więcej funkcji (takich jak zmiany tekstur, inne informacje o przestrzeni niż przestrzeń RGB itp.) W algorytmach klastrowania.
Domena czasowa
Teraz masz obrazy w innej skali czasowej, ale o tej samej rozdzielczości (miejmy nadzieję). Jeśli Twoim zadaniem w zakresie przewidywania jest oszacowanie ruchu niektórych kontynentów, burz lub opadów, możesz spróbować oszacowania ruchu z filtrem Kalmana . Ruch każdego piksela może być ważony wewnątrz odpowiedniego regionu (klastra) na podstawie jego metryki w porównaniu z centroidem regionu. Możesz użyć sieci neuronowej do krótkoterminowego prognozowania sekwencji czasowej ( rozdział 3w tej pracy). Ponieważ filtr Kalmana jest po prostu metodą implementacji reguły Bayesa, do oszacowania stanu można zastosować maksymalne prawdopodobieństwo. Procedury szacowania stanu można wdrażać rekurencyjnie. Tylny z poprzedniego kroku czasowego przechodzi przez model dynamiki i staje się nowym wcześniejszym dla bieżącego kroku czasowego. Następnie ten przeor można przekształcić w nowy tylny przy użyciu bieżącej obserwacji. W rezultacie iteracyjne procedury ponownej estymacji parametrów, takie jak EM, mogą być wykorzystane do nauki parametrów w filtrze Kalmana. Zarówno rozdział 6 tej samej pracy, jak i badanie wygładzania Kalmana zawierają więcej szczegółów na temat uczenia się parametrów za pomocą EM.