Hiperspektral Görüntü Sınıflandırma için Hibrit Evrişimsel Sinir Ağı ve Sıkma- Uyarma Bloğu Yöntemi
| dc.contributor.author | Nergiz, Mehmet | |
| dc.date.accessioned | 2025-03-08T18:27:28Z | |
| dc.date.available | 2025-03-08T18:27:28Z | |
| dc.date.issued | 2023 | |
| dc.department | Dicle Üniversitesi | |
| dc.description.abstract | 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 ESA’larda daha fazla uzamsal özellik çıkarabilmek için 3B ESA’dan 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. | |
| dc.identifier.doi | 10.35234/fumbd.1241209 | |
| dc.identifier.endpage | 402 | |
| dc.identifier.issn | 1308-9072 | |
| dc.identifier.issue | 1 | |
| dc.identifier.startpage | 389 | |
| dc.identifier.uri | https://doi.org/10.35234/fumbd.1241209 | |
| dc.identifier.uri | https://hdl.handle.net/11468/31016 | |
| dc.identifier.volume | 35 | |
| dc.language.iso | tr | |
| dc.publisher | Fırat Üniversitesi | |
| dc.relation.ispartof | Fırat Üniversitesi Mühendislik Bilimleri Dergisi | |
| dc.relation.publicationcategory | Makale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.snmz | KA_DergiPark_21250205 | |
| dc.subject | Hiperspektral görüntü sınıflandırma | |
| dc.subject | derin öğrenme | |
| dc.subject | evrişimsel sinir ağı | |
| dc.subject | derinlemesine ayrılabilir evrişim | |
| dc.subject | sıkma-uyarma bloğu | |
| dc.subject | Hiperspektral Görüntü | |
| dc.subject | Evrişimsel Sinir Ağı | |
| dc.subject | Sıkma- Uyarma Bloğu | |
| dc.title | Hiperspektral Görüntü Sınıflandırma için Hibrit Evrişimsel Sinir Ağı ve Sıkma- Uyarma Bloğu Yöntemi | |
| dc.type | Article |
