0000000000674527

AUTHOR

Jeremias Penttilä

showing 2 related works from this author

Koneoppiminen

2015

Koneoppiminen on monipuolinen ja tehokas työkalu erilaisiin tehtäviin. Tässä tutkielmassa on tarkoituksena tutustua sekä ohjatun että ohjaamattoman oppimisen yleisimpiin menetelmiin. Tarkoituksena on käsitellä nämä menetelmät yleisellä tasolla niin, että asiasta tietämätön ymmärtää perusperiaatteet miten eri menetelmät toimivat. Tarkempia yksityiskohtia ja matemaattisia algoritmejä ei tulla käsittelemään. Machine learning is powerfull and versatile tool for a multitude of tasks. The point of this study is to familiarize oneself with a couple of different methods of both supervised and unsupervised machine learning, so that anyone can understand the basic principles behind the different meth…

klusterointiKoneoppiminenadaptive resonance theoryohjaamaton oppiminenohjattu oppiminenneuroverkotit- seorganisoituvat kartatart
researchProduct

A method for anomaly detection in hyperspectral images, using deep convolutional autoencoders

2017

Menetelmä poikkeavuuksien havaitsemiseen hyperspektrikuvista käyttäen syviä konvolutiivisia autoenkoodereita. Poikkeavuuksien havaitseminen kuvista, erityisesti hyperspektraalisista kuvista, on hankalaa. Kun ongelmaan yhdistetään ennalta tuntematon data ja poikkeavuudet, muodostuu ongelma vielä laajemmaksi. Spektraalisten poikkeavuuksien havaitsemiseen on kehitetty useita eri menetelmiä, mutta spatiaalisten poikkeavuuksien havaitseminen on huomattavasti hankalempaa. Tässä työssä esitellään uudenkaltainen menetelmä sekä spatiaalisten että spektraalisten poikkeavuuksien samanaikaiseen havaitsemiseen. Menetelmä on suunniteltu erityisesti spektraaliselle datalle, mutta soveltuu myös perinteisil…

hyperspectral imagesautoencoderautoenkooderithdbscanSCAEconvolutional neural networkdeep learninghavaitseminenneuroverkotanomaly detectionconvolutional autoencodermachine learningkoneoppiminenpoikkeavuuskonvoluutioälytekniikkaCAEhyperspektrikuvatautoenkooderi
researchProduct