Hiperspektral görüntü sınıflandırması için derinlemesine ayrılabilir evrişim tabanlı artık ağ mimarisi

Basit Öğe Kaydı
dc.authorid0000-0002-1257-8518en_US
dc.authorid0000-0003-4585-4168en_US
dc.authorid0000-0003-2271-7865en_US
dc.contributor.authorFırat, Hüseyin
dc.contributor.authorAsker, Mehmet Emin
dc.contributor.authorHanbay, Davut
dc.date.accessioned2022-08-19T12:43:52Z
dc.date.available2022-08-19T12:43:52Z
dc.date.issued2022en_US
dc.departmentDicle Üniversitesi, Diyarbakır Teknik Bilimler Meslek Yüksekokulu, Bilgisayar Teknolojileri Bölümüen_US
dc.description.abstractHiperspektral uzaktan algılama görüntüleri (HUAG), yüzlerce spektral bant içeren ve iki uzamsal-bir spektral boyuta sahip 3B görüntü küpleridir. Sınıflandırma, HUAG’de en popüler konulardan biridir. Son yıllarda HUAG sınıflandırması için çok sayıda derin öğrenme yöntemi önerilmiştir. Özellikle Evrişimli Sinir Ağları (ESA), HUAG'lerin sınıflandırılmasında yaygın olarak kullanılmaktadır. ESA, daha yüksek kaliteli HUAG sınıflandırması için daha ayırt edici özellikler sağlayabilen güçlü bir özellik öğrenme yeteneğine sahiptir.Bu çalışma kapsamında 3B/2B ESA, Artık ağ mimarisi ve Derinlemesine ayrılabilir evrişimin birlikte kullanıldığı bir yöntem önerilmiştir. Daha derin ESA'larda, katman sayısı arttıkça daha yüksek sınıflandırma performansı elde etmek için artık ağ kullanılmaktadır. Ayrıca artık ağ sayesinde derin ağlarda oluşabilecek bozulma ve gradyanların yok olması gibi sorunların üstesinden gelinmektedir. Öte yandan, hesaplama maliyetini azaltan, aşırı öğrenmeyi önleyen ve daha fazla uzamsal özellik çıkarımı sağlayan Derinlemesine ayrılabilir evrişimler kullanılmıştır. Son olarak, 3B ESA ile HUAG’lerden uzamsal-spektral özellikler eş zamanlı olarak çıkarılmaktadır. Ancak sadece 3B ESA kullanımı hesaplama karmaşıklığını arttırmaktadır. Yalnızca 2B ESA kullanımı ile de HUAG’lerden sadece uzamsal özellikler çıkarılmaktadır. Spektral özellikler çıkarılamamaktadır. 3B ESA ile 2B ESA’nın birlikte kullanılmasıyla bu iki problem çözülmüştür. Ayrıca önerilen yöntemde optimum spektral bant çıkarımı için temel bileşen analizi bir ön işleme adımı olarak kullanılmıştır. Popüler iki HUAG kıyaslama veriseti olan Indian pines ve Salinas verisetleri kullanılarak uygulamalar gerçekleştirilmiştir. Uygulamalar sonucunda Indian pines ile %99.45 ve Salinas ile %99.95 genel doğruluk sonucu elde edilmiştir. Elde edilen sınıflandırma sonuçları, önerilen yöntemin sınıflandırma performansının mevcut yöntemlerden daha iyi olduğunu göstermektedir.en_US
dc.description.abstractHyperspectral remote sensing images (HRSI) are 3D image cubes containing hundreds of spectral bands and having two spatial-one spectral dimensions. Classification is one of the most popular topics at HRSI. In recent years, many deep learning methods have been proposed for HRSI classification. Especially Convolutional Neural Networks (CNN) are commonly used in the classification of HRSIs. CNN has a strong feature learning capability, which can provide more distinctive features for higher quality HRSI classification. In this study, a method in which 3D/2D CNN, Residual network architecture (ResNet) and Depthwise separable convolution (DSC) are used together is proposed. In deeper CNNs, ResNet is used to achieve higher classification performance as the number of layers increases. In addition, thanks to ResNet, problems such as degradation and vanishing gradients that may occur in deep networks are overcome. On the other hand, DSCs have been used, which reduces the computational cost, prevents overfitting and provides more spatial feature extraction. Finally, spatial-spectral features are extracted simultaneously from HRSIs with 3D CNN. However, using only 3D CNN increases computational complexity. By using only 2D CNN, only spatial features are extracted from HRSIs. Spectral features cannot be extracted. By using 3D CNN and 2D CNN together, these two problems are solved. In addition, principal component analysis is used as a preprocessing step for optimum spectral band extraction in the proposed method. Applications were carried out using two popular HUAG benchmarking datasets, Indian pines and Salinas datasets. As a result of the applications, an overall accuracy of 99.45% with Indian pines and 99.95% with Salinas was obtained. The obtained classification results show that the classification performance of the proposed method is better than the existing methods.en_US
dc.identifier.citationFırat, H., Asker, M. E. ve Hanbay, D. (2022). Hiperspektral görüntü sınıflandırması için derinlemesine ayrılabilir evrişim tabanlı artık ağ mimarisi. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 10(2), 242-258.en_US
dc.identifier.doi10.29109/gujsc.1055942en_US
dc.identifier.endpage258en_US
dc.identifier.issn2147-9526
dc.identifier.issue2en_US
dc.identifier.startpage242en_US
dc.identifier.trdizinid532955en_US
dc.identifier.urihttps://search.trdizin.gov.tr/yayin/detay/532955
dc.identifier.urihttps://hdl.handle.net/11468/10223
dc.identifier.urihttps://search.trdizin.gov.tr/yayin/detay/532955
dc.identifier.volume10en_US
dc.indekslendigikaynakTR-Dizinen_US
dc.institutionauthorFırat, Hüseyin
dc.institutionauthorAsker, Mehmet Emin
dc.language.isotren_US
dc.publisherGazi Üniversitesien_US
dc.relation.ispartofGazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknolojien_US
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanıen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectHyperspectral image classificationen_US
dc.subjectDeep learningen_US
dc.subjectResidual networken_US
dc.subjectDepthwise separable convolutionen_US
dc.subjectPrincipal component analysisen_US
dc.subjectHiperspektral görüntü sınıflandırmaen_US
dc.subjectDerin öğrenmeen_US
dc.subjectArtık ağen_US
dc.subjectDerinlemesine ayrılabilir evrişimen_US
dc.subjectTemel bileşen analizien_US
dc.titleHiperspektral görüntü sınıflandırması için derinlemesine ayrılabilir evrişim tabanlı artık ağ mimarisien_US
dc.title.alternativeDepthwise separable convolution based residual network architecture for hyperspectral image classificationen_US
dc.typeArticleen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Hiperspektral Görüntü Sınıflandırması için Derinlemesine Ayrılabilir Evrişim.pdf
Boyut:
2.14 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