Implementación en GPU del algoritmo K-Means para ... - UMBC
Implementación en GPU del algoritmo K-Means para ... - UMBC
Implementación en GPU del algoritmo K-Means para ... - UMBC
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Implem<strong>en</strong>tación</strong> <strong>en</strong> <strong>GPU</strong> <strong>del</strong> <strong>algoritmo</strong> K-<strong>Means</strong> <strong>para</strong> procesami<strong>en</strong>to <strong>para</strong>lelo<br />
de imág<strong>en</strong>es de satélite disponibles <strong>en</strong> la herrami<strong>en</strong>ta Google Maps<br />
evaluar la precisión de <strong>algoritmo</strong>s de clasificación de imág<strong>en</strong>es digitales obt<strong>en</strong>idas de<br />
forma remota. Esta técnica presupone que la información verdad terr<strong>en</strong>o vi<strong>en</strong>e<br />
expresada <strong>en</strong> forma de un mapa temático [29, 30], caracterizado por las sigui<strong>en</strong>tes<br />
propiedades:<br />
a) Cada píxel se <strong>en</strong>cu<strong>en</strong>tra etiquetado como pert<strong>en</strong>eci<strong>en</strong>te a una determinada<br />
R = .<br />
clase, de forma que ti<strong>en</strong><strong>en</strong> N clases o regiones de refer<strong>en</strong>cia { } N<br />
i i 1<br />
b) Las regiones de refer<strong>en</strong>cia son mutuam<strong>en</strong>te excluy<strong>en</strong>tes <strong>en</strong>tre sí, es decir, dos<br />
regiones difer<strong>en</strong>tes no ti<strong>en</strong><strong>en</strong> ningún píxel <strong>en</strong> común: ∩ R = ∅,<br />
∀i<br />
≠ j.<br />
Ri j<br />
Supongamos que cada píxel i de la imag<strong>en</strong> a evaluar, I, es asignado por el<br />
<strong>algoritmo</strong> como pert<strong>en</strong>eci<strong>en</strong>te a una determinada clase Ci, de forma que se ti<strong>en</strong><strong>en</strong> N<br />
clases. Los conjuntos Ci determinan una partición de la imag<strong>en</strong> a evaluar, es decir, la<br />
unión de todos ellos da como resultado la imag<strong>en</strong> y dos conjuntos distintos no ti<strong>en</strong><strong>en</strong><br />
N<br />
Ci i j<br />
i=<br />
1<br />
ningún elem<strong>en</strong>to <strong>en</strong> común: U = I y C ∩ C = ∅,<br />
∀i<br />
≠ j.<br />
T<strong>en</strong>i<strong>en</strong>do <strong>en</strong> cu<strong>en</strong>ta las<br />
anteriores consideraciones, la figura 6.1 muestra un ejemplo <strong>del</strong> proceso de<br />
construcción de una matriz de confusión. En la figura, se muestra el mapa temático<br />
asociado a la imag<strong>en</strong> a clasificar, el resultado de clasificación proporcionado por un<br />
determinado <strong>algoritmo</strong> <strong>para</strong> dicha imag<strong>en</strong>, y la matriz de confusión que cuantifica la<br />
precisión <strong>del</strong> <strong>algoritmo</strong> <strong>en</strong> la tarea de clasificación.<br />
Lago (R 0 )<br />
Carretera (R 1 )<br />
Árboles (R 2 )<br />
Suelo (R 3 )<br />
C 0<br />
C 1<br />
C 2<br />
C 3<br />
Mapa temático<br />
(verdad terr<strong>en</strong>o)<br />
R 0<br />
a 00 =|C 0 ∩R 0 |<br />
a 10 =|C 1 ∩R 0 |<br />
a 20 =|C 2 ∩R 0 |<br />
a 30 =|C 3 ∩R 0 |<br />
Matriz de confusión<br />
R 1<br />
a 01 =|C 0 ∩R 1 |<br />
a 11 =|C 1 ∩R 1 |<br />
a 21 =|C 2 ∩R 1 |<br />
a 31 =|C 3 ∩R 1 |<br />
Clasificación<br />
(Algoritmo)<br />
a 02 =|C 0 ∩R 2 |<br />
a 12 =|C 1 ∩R 2 |<br />
a 22 =|C 2 ∩R 2 |<br />
a 32 =|C 3 ∩R 2 |<br />
a 03 =|C 0 ∩R 3 |<br />
a 13 =|C 1 ∩R 3 |<br />
a 23 =|C 2 ∩R 3 |<br />
a 33 =|C 3 ∩R 3 |<br />
Lago (C 0 )<br />
Carretera (C 1 )<br />
Árboles (C 2 )<br />
Suelo (C 3 )<br />
Figura 6.1. Ejemplo de construcción de una matriz de confusión.<br />
Trabajo Fin de Máster -62- Sergio Bernabé García<br />
R 2<br />
R 3