An improved graph mining tool and its application to object detection in remote sensing

Abstract

Pek çok grafik madenciliği uygulamasında, sayısal değerlerin grafiklerin içinde özellik olarak kullanılması oldukça zor bir problem olarak karşımıza çıkmaktadır. Çoğu algoritma, bu bilginin, örneklerin gruplanmasını ve grup isimlerinin grafiğe eklenmesini gerektiren bir ön işleme evresinden geçirilmesini zorunlu kılmaktadır. Bu tezde, sayısal değerleri olduğu gibi bırakıp desen arama işleminde kullanarak bu probleme bir çözüm getirmeyi hedeflemekteyiz. Yöntemimizi gerçeklemek için, halihazırda var olan SUBDUE isimli bir grafik tabanlı bilgi keşfetme algoritmasını, onu herhangi bir boyuttaki sayısal değerler dizisi ile çalışacak hale getirerek değiştirmiş bulunmaktayız. Ek olarak, geliştirilmiş SUBDUE'yi nesne eşleme aşamasında kullanan bir nesne tespit etme sistemi önermekteyiz. Bu sistemde, kullanıcı belirlediği hedefin çevresine bir kutu çizdikten sonra, uydu görüntüsündeki uçak ve bina gibi nesneler tespit edilebilmektedir. Yapay ve gerçek veri setlerindeki deneyler, alana sunduğumuz katkıların, pek çok probleme genellenebilecek gürbüz ve esnek bir yaklaşımın sonucu olduğunu ortaya koymaktadır.

In many graph-based data mining tools, the use of numeric values as attributes in graphs is very limited. Most algorithms require pre-processing of the attributes, which often involves discretization into bins and embedding group names in the input graph(s). In this thesis, we tackle this problem by utilizing all attributes as is, and directly incorporating them into the pattern mining process. In order to implement our method, we modify an existing graph-based knowledge discovery algorithm, SUBDUE, by adding it the capability of working with continuous and discrete data vectors of any dimension. In addition, we propose an object detection framework using improved SUBDUE in its object matching step. This system detects repetitive objects such as buildings and airplanes in satellite images, once the user specifies a sample target by drawing a bounding box around it. Experiments on artificial and real datasets show that our contributions result from a robust and flexible approach that can generalize over a vast number of problems.