乘風破浪文件說明

影像介紹：

本實驗使用kaggle對於船辨識的衛星影像資料庫，其影像資料庫是使用PLANETSCOPE光學影像，空間解析度3公尺。拍攝地點位於San Francisco海灣，總共裁切成4000張 80X80 RGB的json檔。標籤有0和1，分別代表有船和無船，有船在影像中有1000張，影像中無船有3000張，以此構成這實驗的訓練和預測樣本。

Jason檔案包含影像和標籤，可從以下google drive下載：

https://drive.google.com/file/d/1vf1l99MG4PQQ1V4QaNEfOAD-CebiIcxA/view?usp=sharing

實驗方法介紹：

使用支持向量機來訓練與預測影像樣本，其中影像特徵擷取採用了HOG、Canny、GLCM和LBP方法，並分別求得各種特徵的準確率。

以下是原始影像：

轉成灰階影像：

取HOG特徵的影像：

取Canny特徵的影像：

取LBP特徵的影像：

實驗結果：

HOG 準確率：0.99875

GLCM 準確率：0.75

Canny 準確率：0.93625

LBP 準確率：0.85125

四種取特徵方式的準確率比較：

實驗結論：

          本次對於船的辨識實驗結果，使用HOG求取特徵有著最佳的辨識結果，但用外型特徵的Canny也是種不錯的方式，且輪廓形狀比較類似，未來還可嘗試不同的影像類型和提取特徵方式，亦或者使用深度學習框架做訓練，此次實驗第一次使用這平台，感覺挺有趣，但如果能增加存放檔案的時間，會更方便。

注意：因為貴網站提供jupyter notebook預設的虛擬記憶體不足，所以沒辦法跑程式碼，但只需要經以下調整，就可以執行檔案。
1）使用命令生成配置檔案：

jupyter notebook --generate-config

2）開啟位於“jupyter”資料夾內的 jupyter_notebook_config.py 檔案並編輯以下屬性：

NotebookApp.max_buffer_size = your desired value

請記住刪除屬性值之前的“#”。

3）儲存並執行 jupyter notebook。它現在應該利用設定的記憶體值。另外，不要忘記從 jupyter 資料夾中執行 notebook。

參考以下網站修改：
https://python.quickpon.top/questions/python/how-to-increase-jupyter-notebook-memory-limit/