Yapay Zeka Hızlı Bakış & Çıkarımlar
AI Insightİkinci olarak, bu problemleri çözmek için hiperspektral görüntülerin sınıflandırılması için gürbüz bir öznitelik çıkartımı yöntemi önerilmektedir.
📌 3 Maddede Bu Makale
Özet
Spektral-uzamsal öznitelik çıkartımı yöntemleri, hiperspektral görüntülerin sınıflandırılması için etkin bir yol sunmaktadır. Buna rağmen, bu yöntemlerin performansları, farklı veri kümlerine, sınıflandırıcı tipine, eğitimde kullanılan örnek sayısına, veri kümesindeki gürültü ve yumuşuma seviyesine göre azalabilmektedir. Bu makalede, bahsedilen terimler gürbüzlük kriterleri olarak isimlendirilmektedir. Bu makalede öncelikle literatürdeki öznitelik çıkartımı yöntemlerindeki her bir gürbüzlük teriminin etkisi tartışılmaktadır. İkinci olarak, bu problemleri çözmek için hiperspektral görüntülerin sınıflandırılması için gürbüz bir öznitelik çıkartımı yöntemi önerilmektedir. Önerilen yöntem öncelikte boyut azaltımı uygulamakta ve sonrasında çoklu kenar koruyan filtreler ve içsel görüntü ayrıştırma yöntemiyle öznitelikleri çıkartmaktadır. Deneylerde her bir gürbüzlük kriteri incelenmiş ve sonuçlar literatürdeki güncel öznitelik yöntemleriyle karşılaştırılmıştır. Deneysel sonuçlar, önerilen yöntem sadece az eğitim örneği sayısındaki farklı sınıflandırıcıların sınıflandırma başarımlarında daha iyi sonuç vermekle kalmayıp aynı zamanda gürültü ve yumuşama etkisine sahip farklı veri kümelerinde gürbüz bir performans sunmaktadır.
Abstract
Spectral-spatial feature extraction methods present an effective way forclassification of hyperspectral images. However, performances of thesemethods may decrease depending on different data sets, classifier type,number of training samples, noise and smoothness level of data sets. In thispaper, these terms are called as robustness criteria. This paper firstdiscusses the effects of each robustness criteria for the feature extractionmethods in the state-of-the-art. Secondly, a robust feature extraction methodthat can solve the aforementioned problems is proposed for hyperspectralimage classification. The proposed method first performs dimensionalityreduction and then extracts features using multiple edge preserving filtersand intrinsic image decomposition method. Each robustness criteria isthoroughly examined in experiments and the results are compared with thestate-of-the-art feature extraction methods. Experimental resultsdemonstrate that the proposed method not only achieves betterclassification accuracies for different classifiers at lower training samplesbut also presents robust performance on different data sets that includesnoise and smoothness effects.