3 boyutlu evrişimsel sinir ağı kullanılarak hiperspektral görüntülerin sınıflandırılması

Basit Öğe Kaydı
dc.authorid0000-0002-1257-8518en_US
dc.authorid0000-0003-2271-7865en_US
dc.contributor.authorFırat, Hüseyin
dc.contributor.authorHanbay, Davut
dc.date.accessioned2023-03-10T06:30:04Z
dc.date.available2023-03-10T06:30:04Z
dc.date.issued2022en_US
dc.departmentDicle Üniversitesi, Diyarbakır Teknik Bilimler Meslek Yüksekokulu, Bilgisayar Teknolojileri Bölümüen_US
dc.description.abstractHiperspektral görüntü sınıflandırma, uzaktan algılanan görüntülerin analizi için yaygın olarak kullanılmaktadır. Bir hiperspektral görüntü, uygulamalarda büyük potansiyele sahip olan yer nesnelerinin zengin spektral bilgilerini ve uzamsal bilgilerini içermektedir. Spektral uzamsal bilgi kullanımı hiperspektral görüntü sınıflandırmasının performansını önemli ölçüde arttırmaktadır. Hiperspektral görüntüler, 3B küpler biçiminde gösterilmektedir. Bu nedenle, 3B uzamsal filtreleme, bu tür görüntülerdeki spektral uzamsal özellikleri eşzamanlı olarak çıkarmak için doğal olarak basit ve etkili bir yöntem sunmaktadır. Bu çalışmada, hiperspektral görüntü sınıflandırması için bir 3B evrişimli sinir ağı (3B ESA) yöntemi önerilmiştir. Önerilen yöntem, derin spektral uzamsal birleştirilmiş özellikleri etkin bir şekilde çıkarmaktadır. Aynı zamanda herhangi bir ön işleme veya son işleme dayanmadan hiperspektral görüntü küpü verileri toplu olarak görüntülemektedir. Hiperspektral görüntü küpü önce küçük üst üste binen 3B parçalara bölünmektedir. Daha sonra bu parçalar, spektral bilgileri de koruyan birden çok bitişik bant üzerinde bir 3B çekirdek işlevi kullanarak 3B özellik haritaları oluşturmak için işlenmektedir. Önerilen yöntem indian pines, pavia üniversitesi ve botswana veri setleri ile test edilmiştir. Deneysel çalışmalar sonucunda, indian pines için %99,35, pavia üniversitesi için %99,90 ve botswana için ise %99,59 genel doğruluk sonuçları elde edilmiştir. Sonuçlar, 4 farklı derin öğrenme tabanlı yöntemle karşılaştırılmıştır. Deneysel sonuçlardan, önerilen 3B ESA yöntemimizin daha iyi performans gösterdiği görülmektedir.en_US
dc.description.abstractHyperspectral image classification is commonly used for the analysis of remotely sensed images.A hyperspectral image contains rich spectral and spatial information of ground objects that hasgreat potentialinapplications.Theuseofspectralspatialinformationsignificantlyimproves theperformanceofhyperspectralimageclassification.Hyperspectralimagesareshownas3D cubes.Therefore,3Dspatialfilteringoffersan inherently simpleandeffective methodto simultaneouslyextractspectralspatialfeaturesinsuchimages.Inthisstudy,a3Dconvolutional neural network (3D CNN) method is proposed for hyperspectral image classification.The proposed methodeffectivelyextractsdeepspectralspatiallycombinedfeatures.Atthesametime,the hyperspectral image cube displays data in aggregate without relying on any pre-processing or post-processing. The hyperspectral image cube is first divided into small overlapping 3D patches.Then thesepatchesareprocessedtocreate3Dfeaturemapsusinga3Dkernelfunctiononmultiple adjacentbandsthatalsopreservespectralinformation.Theproposedmethodwastestedwith Indianpines,PaviauniversityandBotswanadatasets.Asaresultoftheexperimentalstudies,the overall accuracy resultswereobtained 99.35% for Indian pines,99.90% for theUniversity Pavia, and99.59%forBotswana.Theresultswerecomparedwith4differentdeeplearning-based methods.Fromtheexperimentalresults,itisseenthatourproposed3DCNNmethodperforms better.en_US
dc.identifier.citationFırat, H. ve Hanbay, D. (2022). 3 boyutlu evrişimsel sinir ağı kullanılarak hiperspektral görüntülerin sınıflandırılması. Türk Doğa ve Fen Dergisi, 11(1), 19-28.en_US
dc.identifier.doi10.46810/tdfd.909817
dc.identifier.endpage28en_US
dc.identifier.issn2149-6366
dc.identifier.issue1en_US
dc.identifier.startpage19en_US
dc.identifier.trdizinid1069521
dc.identifier.urihttps://search.trdizin.gov.tr/tr/yayin/detay/1069521
dc.identifier.urihttps://hdl.handle.net/11468/11355
dc.identifier.urihttps://search.trdizin.gov.tr/yayin/detay/1069521
dc.identifier.volume11en_US
dc.indekslendigikaynakTR-Dizin
dc.institutionauthorFırat, Hüseyin
dc.language.isotren_US
dc.publisherBingöl Üniversitesien_US
dc.relation.ispartofTürk Doğa ve Fen Dergisi
dc.relation.publicationcategoryMakale - Uluslararası Hakemli Dergi - Kurum Öğretim Elemanıen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectHiperspektral görüntü sınıflandırmaen_US
dc.subjectDerin öğrenmeen_US
dc.subject2B ESAen_US
dc.subject3B ESAen_US
dc.subjectHyperspectral image classificationen_US
dc.subjectDeep learningen_US
dc.subject2D CNNen_US
dc.subject3D CNNen_US
dc.title3 boyutlu evrişimsel sinir ağı kullanılarak hiperspektral görüntülerin sınıflandırılmasıen_US
dc.title3 boyutlu evrişimsel sinir ağı kullanılarak hiperspektral görüntülerin sınıflandırılması
dc.title.alternativeClassification of hyperspectral images using 3D convolutional neural networken_US
dc.title.alternativeClassification of hyperspectral images using 3D convolutional neural network
dc.typeArticleen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
3 Boyutlu Evrişimsel Sinir Ağı Kullanılarak Hiperspektral Görüntülerin Sınıflandırılması.pdf
Boyut:
1.04 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Makale Dosyası
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
[ X ]
İsim:
license.txt
Boyut:
1.44 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Diyarbakır Teknik Bilimler Meslek Yüksekokulu Koleksiyonu
TR-Dizin İndeksli Yayınlar Koleksiyonu