@Article{NegriCast:2013:MaAuAt,
               author = "Negri, Rog{\'e}rio Galante and Castro Filho, Carlos Alberto Pires 
                         de",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)}",
                title = "At-Som: Mapas Auto-Organiz{\'a}veis Atenuantes / AT-SOM: 
                         Attenuating Self-Organizing Maps",
              journal = "Revista Brasileira de Cartografia",
                 year = "2013",
               volume = "64",
               number = "5",
                pages = "589--599",
             keywords = "Classifica{\c{c}}{\~a}o de Imagem, Baseado em Pixel, 
                         Varia{\c{c}}{\~a}o de SOM, Uumento de Acur{\'a}cia, Image 
                         Classification, Pixel-based, SOM Based, Accuracy Increase.",
             abstract = "Mapas Auto-Organiz{\'a}veis (SOM) s{\~a}o modelos de Rede 
                         Neurais Artificiais inspirados no comportamento do c{\'o}rtex 
                         cerebral humano, os quais podem ser empregados na 
                         classifica{\c{c}}{\~a}o de imagens. Este trabalho apresenta um 
                         m{\'e}todo de classifica{\c{c}}{\~a}o de imagens baseado em 
                         SOM, denominado Mapas Auto Organiz{\'a}veis Atenuantes (At-SOM), 
                         capaz de reduzir os efeitos provocados pela 
                         classifica{\c{c}}{\~a}o baseada em pixels. Para isto, o 
                         m{\'e}todo desenvolvido {\'e} munido de um processo iterativo 
                         que reduz os valores dos pixels de um mesmo agrupamento. Um estudo 
                         de caso sobre a exatid{\~a}o dos m{\'e}todos At-SOM, Expectation 
                         Maximization, Fuzzy C-M{\'e}dias e o m{\'e}todo SOM 
                         cl{\'a}ssico foi realizado, tomando como base um problema 
                         espec{\'{\i}}fico de classifica{\c{c}}{\~a}o de tipos de 
                         cobertura da terra em uma imagem do sensor LANDSAT-5 TM. O 
                         m{\'e}todo proposto, associado {\`a} fun{\c{c}}{\~a}o de 
                         vizinhan{\c{c}}a topol{\'o}gica Chap{\'e}u Mexicano, mostrou 
                         maior acur{\'a}cia com rela{\c{c}}{\~a}o aos demais 
                         m{\'e}todos. ABSTRACT Self-Organizing Maps (SOM) are Artificial 
                         Neural Network models bio-inspired by the behavior of the human 
                         cerebral cortex. These models can be used as unsupervised image 
                         classification methods. This paper presents an image 
                         classification method based on Attenuating Self-Organizing Maps 
                         (At-SOM) able to reduce the effects caused by the pixel-based 
                         classification. The developed method has an attenuation process to 
                         decrease iteratively the pixels values that belongs to a same 
                         cluster. A case study assessing the At-SOM, Expectation 
                         Maximization, Fuzzy C-Means and the classic SOM methods accuracy 
                         was conducted for a specific land cover classification problem 
                         using LANDSAT-5 TM image sample. The proposed method associated 
                         with Mexican Hat topological neighborhood function achieved better 
                         accuracy over other methods.",
                 issn = "0560-4613 and 1808-0936",
                label = "lattes: 8201805132981288 1 NegriCast:2013:MaAuAt",
             language = "pt",
           targetfile = "467-1502-1-PB.pdf",
                  url = "http://www.rbc.lsie.unb.br/index.php/rbc/author/downloadFile/467/1432/1",
        urlaccessdate = "01 maio 2024"
}