Hiperspektral Görüntü Sınıflandırma için Hibrit Evrişimsel Sinir Ağı ve Sıkma- Uyarma Bloğu Yöntemi

Mehmet Nergiz

Makale detayları

Hiperspektral Görüntü Sınıflandırma için Hibrit Evrişimsel Sinir Ağı ve Sıkma- Uyarma Bloğu Yöntemi

Yazarlar:

Mehmet Nergiz

Yayıncı:

Fırat University

Ana Başlıklar:

Mühendislik

Dergi:

Fırat Üniversitesi Mühendislik Bilimleri Dergisi Vol.35 Issue 1, pp.389-402

Belge Tipi:

Makale

Yayın Tarihi:

3/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001285893

pISSN:

1308-9072

Anahtar kelimeler:

Özet:

 Yüksek spektral çözünürlüğe sahip bir tür optik uzaktan algılama görüntüsü olarak, hiperspektral görüntüler, zengin spektral özellik bilgisine sahip 3 boyutlu görüntü küpleridir. Şu anda hiperspektral görüntü sınıflandırması, uzaktan algılama alanındaki en aktif araştırma alanlarından biridir. Son yıllarda bu alanda derin öğrenme ve özellikle evrişimsel sinir ağları ESA sıklıkla kullanılmaktadır. Bu çalışma kapsamında, hiperspektal görüntü sınıflandırması için yeni bir model geliştirilmiştir. Önerilen model, 3B ESA, Sıkma-uyarma bloğu ve 2B Derinlemesine ayrılabilir evrişimden DAE oluşmaktadır. 2B ESA ile spektral özellik bilgileri elde edilemediğinden dolayı, hem spektral hem de uzamsal özellikleri elde etmek için 3B ESA kullanılmıştır. Sadece 3B ESA kullanımı hesaplama karmaşıklığını arttırmaktadır. Hibrit ESA kullanımı bu sorunu çözmektedir. Hibrit ESAlarda daha fazla uzamsal özellik çıkarabilmek için 3B ESAdan sonra 2B ESA kullanılmaktadır. Ancak bu çalışma kapsamında, 2B ESA yerine 2B DAE kullanımı tercih edilmiştir. Standart 2B ESA yerine 2B DAE kullanımı ile eğitilebilir parametre sayısı ve hesaplama maliyeti azaltılmıştır. Bu, sınıflandırma performansını arttırmıştır. Ayrıca, özellik çıkarma ve hiperspektral görüntü sınıflandırmasındaki performansı arttırmak için Hibirt ESA modeli bir sıkma-uyarma bloğu ile birleştirilmiştir. Önerilen yöntemin sınıflandırma performansını test etmek için HyRank-Loukia ve Houston 2013 verisetleri kullanılmıştır. 10 eğitim örneği alınarak gerçekleştirilen uygulamalar sonucunda sırasıyla 90.86 ve 99.39 genel doğruluk değeri elde edilmiştir. Ayrıca, önerilen yöntem literatürden yedi farklı yöntem ile karşılaştırılmış ve önerilen yöntemin daha iyi sonuç verdiği görülmüştür.

 Yüksek spektral çözünürlüğe sahip bir tür optik uzaktan algılama görüntüsü olarak, hiperspektral görüntüler, zengin spektral özellik bilgisine sahip 3 boyutlu görüntü küpleridir. Şu anda hiperspektral görüntü sınıflandırması, uzaktan algılama alanındaki en aktif araştırma alanlarından biridir. Son yıllarda bu alanda derin öğrenme ve özellikle evrişimsel sinir ağları ESA sıklıkla kullanılmaktadır. Bu çalışma kapsamında, hiperspektal görüntü sınıflandırması için yeni bir model geliştirilmiştir. Önerilen model, 3B ESA, Sıkma-uyarma bloğu ve 2B Derinlemesine ayrılabilir evrişimden DAE oluşmaktadır. 2B ESA ile spektral özellik bilgileri elde edilemediğinden dolayı, hem spektral hem de uzamsal özellikleri elde etmek için 3B ESA kullanılmıştır. Sadece 3B ESA kullanımı hesaplama karmaşıklığını arttırmaktadır. Hibrit ESA kullanımı bu sorunu çözmektedir. Hibrit ESAlarda daha fazla uzamsal özellik çıkarabilmek için 3B ESAdan sonra 2B ESA kullanılmaktadır. Ancak bu çalışma kapsamında, 2B ESA yerine 2B DAE kullanımı tercih edilmiştir. Standart 2B ESA yerine 2B DAE kullanımı ile eğitilebilir parametre sayısı ve hesaplama maliyeti azaltılmıştır. Bu, sınıflandırma performansını arttırmıştır. Ayrıca, özellik çıkarma ve hiperspektral görüntü sınıflandırmasındaki performansı arttırmak için Hibirt ESA modeli bir sıkma-uyarma bloğu ile birleştirilmiştir. Önerilen yöntemin sınıflandırma performansını test etmek için HyRank-Loukia ve Houston 2013 verisetleri kullanılmıştır. 10 eğitim örneği alınarak gerçekleştirilen uygulamalar sonucunda sırasıyla 90.86 ve 99.39 genel doğruluk değeri elde edilmiştir. Ayrıca, önerilen yöntem literatürden yedi farklı yöntem ile karşılaştırılmış ve önerilen yöntemin daha iyi sonuç verdiği görülmüştür.

 Yüksek spektral çözünürlüğe sahip bir tür optik uzaktan algılama görüntüsü olarak, hiperspektral görüntüler, zengin spektral özellik bilgisine sahip 3 boyutlu görüntü küpleridir. Şu anda hiperspektral görüntü sınıflandırması, uzaktan algılama alanındaki en aktif araştırma alanlarından biridir. Son yıllarda bu alanda derin öğrenme ve özellikle evrişimsel sinir ağları ESA sıklıkla kullanılmaktadır. Bu çalışma kapsamında, hiperspektal görüntü sınıflandırması için yeni bir model geliştirilmiştir. Önerilen model, 3B ESA, Sıkma-uyarma bloğu ve 2B Derinlemesine ayrılabilir evrişimden DAE oluşmaktadır. 2B ESA ile spektral özellik bilgileri elde edilemediğinden dolayı, hem spektral hem de uzamsal özellikleri elde etmek için 3B ESA kullanılmıştır. Sadece 3B ESA kullanımı hesaplama karmaşıklığını arttırmaktadır. Hibrit ESA kullanımı bu sorunu çözmektedir. Hibrit ESAlarda daha fazla uzamsal özellik çıkarabilmek için 3B ESAdan sonra 2B ESA kullanılmaktadır. Ancak bu çalışma kapsamında, 2B ESA yerine 2B DAE kullanımı tercih edilmiştir. Standart 2B ESA yerine 2B DAE kullanımı ile eğitilebilir parametre sayısı ve hesaplama maliyeti azaltılmıştır. Bu, sınıflandırma performansını arttırmıştır. Ayrıca, özellik çıkarma ve hiperspektral görüntü sınıflandırmasındaki performansı arttırmak için Hibirt ESA modeli bir sıkma-uyarma bloğu ile birleştirilmiştir. Önerilen yöntemin sınıflandırma performansını test etmek için HyRank-Loukia ve Houston 2013 verisetleri kullanılmıştır. 10 eğitim örneği alınarak gerçekleştirilen uygulamalar sonucunda sırasıyla 90.86 ve 99.39 genel doğruluk değeri elde edilmiştir. Ayrıca, önerilen yöntem literatürden yedi farklı yöntem ile karşılaştırılmış ve önerilen yöntemin daha iyi sonuç verdiği görülmüştür.

 Yüksek spektral çözünürlüğe sahip bir tür optik uzaktan algılama görüntüsü olarak, hiperspektral görüntüler, zengin spektral özellik bilgisine sahip 3 boyutlu görüntü küpleridir. Şu anda hiperspektral görüntü sınıflandırması, uzaktan algılama alanındaki en aktif araştırma alanlarından biridir. Son yıllarda bu alanda derin öğrenme ve özellikle evrişimsel sinir ağları ESA sıklıkla kullanılmaktadır. Bu çalışma kapsamında, hiperspektal görüntü sınıflandırması için yeni bir model geliştirilmiştir. Önerilen model, 3B ESA, Sıkma-uyarma bloğu ve 2B Derinlemesine ayrılabilir evrişimden DAE oluşmaktadır. 2B ESA ile spektral özellik bilgileri elde edilemediğinden dolayı, hem spektral hem de uzamsal özellikleri elde etmek için 3B ESA kullanılmıştır. Sadece 3B ESA kullanımı hesaplama karmaşıklığını arttırmaktadır. Hibrit ESA kullanımı bu sorunu çözmektedir. Hibrit ESAlarda daha fazla uzamsal özellik çıkarabilmek için 3B ESAdan sonra 2B ESA kullanılmaktadır. Ancak bu çalışma kapsamında, 2B ESA yerine 2B DAE kullanımı tercih edilmiştir. Standart 2B ESA yerine 2B DAE kullanımı ile eğitilebilir parametre sayısı ve hesaplama maliyeti azaltılmıştır. Bu, sınıflandırma performansını arttırmıştır. Ayrıca, özellik çıkarma ve hiperspektral görüntü sınıflandırmasındaki performansı arttırmak için Hibirt ESA modeli bir sıkma-uyarma bloğu ile birleştirilmiştir. Önerilen yöntemin sınıflandırma performansını test etmek için HyRank-Loukia ve Houston 2013 verisetleri kullanılmıştır. 10 eğitim örneği alınarak gerçekleştirilen uygulamalar sonucunda sırasıyla 90.86 ve 99.39 genel doğruluk değeri elde edilmiştir. Ayrıca, önerilen yöntem literatürden yedi farklı yöntem ile karşılaştırılmış ve önerilen yöntemin daha iyi sonuç verdiği görülmüştür.

Makale detayları

Hiperspektral Görüntü Sınıflandırma için Hibrit Evrişimsel Sinir Ağı ve Sıkma- Uyarma Bloğu Yöntemi

Yazarlar:

Mehmet Nergiz

Yayıncı:

Fırat University

Ana Başlıklar:

Mühendislik

Dergi:

Fırat Üniversitesi Mühendislik Bilimleri Dergisi Vol.35 Issue 1, pp.389-402

Belge Tipi:

Makale

Yayın Tarihi:

3/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001285893

pISSN:

1308-9072

Hiperspektral Görüntü

Evrişimsel Sinir Ağı

Sıkma- Uyarma Bloğu

Hiperspektral görüntü sınıflandırma

derin öğrenme

evrişimsel sinir ağı

derinlemesine ayrılabilir evrişim

sıkma-uyarma bloğu

Sayı

Makale detayları

Yazarlar: Mehmet Nergiz

Yayıncı: Fırat University

Ana Başlıklar: Mühendislik

Dergi: Fırat Üniversitesi Mühendislik Bilimleri Dergisi Vol.35 Issue 1, pp.389-402

Belge Tipi: Makale

Yayın Tarihi: 3/2023

Belge Dili: Türkçe

Document ID (Org No.): 2001285893

pISSN: 1308-9072

Sayı

Yazarlar:

Mehmet Nergiz

Yayıncı:

Fırat University

Ana Başlıklar:

Mühendislik

Dergi:

Fırat Üniversitesi Mühendislik Bilimleri Dergisi Vol.35 Issue 1, pp.389-402

Belge Tipi:

Makale

Yayın Tarihi:

3/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001285893

pISSN:

1308-9072