Νέα χαρακτηριστικά στο eCognition 8.9
Οι κυρότερες βελτιώσεις που συναντάμε στο eCognition 8.9 βρίσκονται στους παρακάτω 4 τομείς:
Ανάλυση πολλαπλής προοπτικής.
Γίνεται πλέον δυνατή η διαχείριση της πολυπλοκότητας που προκύπτει με την δημιουργία δεδομένων από επίγεια μέσα καταγραφής γεωχωρικών δεδομένων με την υλοποίηση της ανάλυσης δεδομένων με λήψη από πολλαπλές προοπτικές. Συνδυάζοντας δεδομένα που έχουν ληφθεί από οριζόντια και πλάγια προοπτική (του ίδιου χώρου) μέσα στο ίδιο project του eCognition 8.9 οι χρήστες μπορούν νε «μετακινούνται» ανάμεσα στα δεδομένα των δύο προοπτικών, χρησιμοποιώντας οποιαδήποτε από αυτά για εξαγωγή χαρακτηριστικών (feature extraction). Με αυτό τον τρόπο δίδονται νέες δυνατότητες ανάλυσης οι οποίες βοηθάνε το χρήστη να εξάγει και οριζόντια αλλά και κατακόρυφα χαρακτηριστικά από το τοπίο με αποτελεσματικότητα.
Ανάλυση Θέασης
Το eCognition 8.9 φέρνει επανάσταση στην ανάλυση εικόνων δύο διαστάσεων (2D) με την συγχώνευση στην ανάλυση των εικόνων δεδομένων που προέρχονται από τρισδιάστατα (3D) νέφη σημείων. Έτσι λοιπόν μπορεί να νικηθεί το πρόβλημα της προοπτικής το οποίο είναι εγγενές στις εικόνες επίγειας λήψης. Κατά συνέπεια υπολογισμοί που αφορούν τις υποδομές και την θέση, όπως πλάτος, βάθος, ύψος, θέση και απόσταση, μπορούν να βοηθήσουν την αναγνώριση αντικειμένων με συγκεκριμένα και σαφή χαρακτηριστικά που αφορούν τις διαστάσεις τους ή να βοηθήσουν στην αυτόματη αναγνώριση αντικειμένων με χαρακτηριστικά «κενά» ή «βήματα» απόστασης μεταξύ τους .
Προσωρινή χρήση «νεφών σημείων – point clouds»
Είναι πλέον δυνατή η αναπαραγωγή νεφών σημείων, ή η αντιγραφή τμημάτων τέτοιων δεδομένων, έτσι ώστε να αναλυθούν. Τα αντίγραφα ή κλώνοι των πρωτογενών δεδομένων, δεν αλληλεπιδρούν με τα πρωτογενή δεδομένα, δεν τα διαγράφουν και δεν τροποποιούν τα χαρακτηριστικά τους, και ταυτόχρονα αποθηκεύονται προσωρινά, διατηρώντας έτσι ένα διαχειρίσιμο όγκο στο project. Έτσι λοιπόν, εστιάζοντας την ανάλυση στην περιοχή ενδιαφέροντος όπου εμπλέκονται και τα νέφη σημείων, το λογισμικό δίνει την δυνατότητα πιο αποδοτικής πρόσβασης στα δεδομένα και καλύτερη απόδοση ανάλυσης.
Επέκταση των δυνατοτήτων μηχανικής εκμάθησης (machine learning).
Στο eCognition 8.9 συνεχίζεται η βελτίωση σε συστήματα αλγορίθμων μηχανικής εκμάθησης (machine learning) με την ενσωμάτωση του ταξινομητή «τυχαίων δένδρων» – (random trees). Ο αλγόριθμος αυτός είναι σχεδιασμένος να εντοπίζει – αναγνωρίζει πολύπλοκες δομές-πρότυπα δεδομένων με μεγαλύτερη αυτονομία και ικανότητα από όσο ήταν πρωτύτερα. Ο αλγόριθμός “random trees” ακολουθεί την φιλοσοφία-έννοια “Random Forests” που προτάθηκε από τον Leo Breiman και την Adele Cutler.