KaydedilenlerDerginizi ekleyin

Dergiler / Uludağ Üniversitesi Mühendislik Fakültesi Dergisi / 2018 / Cilt: 23 - Sayı: 3

Hiperspektral Verilerin Sınıflandırmasında Derin Öğrenme ve Boyut İndirgeme Tekniklerinin Karşılaştırılması

A COMPARATIVE STUDY FOR HYPERSPECTRAL DATA CLASSIFICATION WITH DEEP LEARNING AND DIMENSIONALITY REDUCTION TECHNIQUES

Gizem ORTAÇ
Gıyasettin ÖZCAN
Sayfa
73–90
Yayın Tarihi
2022-11-04
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Çeşitli hiperspektral görüntü verilerine dayanarak elde edilen sonuçlar, önerilen konvolüsyonel sinir ağının, geleneksel yöntemlerden %3 ve %6 oranında daha iyi bir sınıflandırma oranı sağladığını göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Son yıllarda, hiperspektral görüntüleme yüzey pikselleri ile ilgili zengin miktarda bilgi sağlamasıyla uzaktan algılama alanında popüler bir konu olmuştur.
📊
Temel Bulgular & Veri:Genel olarak, elde edilen yüksek boyutlu ve ilişkisel veriyi işlemek için, sınıflandırmadan önce boyut indirgeme teknikleri uygulanmaktadır.
💡
Sonuç & Katkı:Çeşitli hiperspektral görüntü verilerine dayanarak elde edilen sonuçlar, önerilen konvolüsyonel sinir ağının, geleneksel yöntemlerden %3 ve %6 oranında daha iyi bir sınıflandırma oranı sağladığını göstermiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Son yıllarda, hiperspektral görüntüleme yüzey pikselleri ile ilgili zengin miktarda bilgi sağlamasıyla uzaktan algılama alanında popüler bir konu olmuştur. Genel olarak, elde edilen yüksek boyutlu ve ilişkisel veriyi işlemek için, sınıflandırmadan önce boyut indirgeme teknikleri uygulanmaktadır. Bununla birlikte geleneksel sınıflandırıcılar ve boyut azaltma yöntemleri, spektral alanda hala zorlu bir işlemdir ve ayırt edici öznitelikler çıkarmaz. Son zamanlarda ise derin konvolüsyonel sinir ağları, hiperspektral görüntüleri doğrudan spektral alanda sınıflandırmak için geliştirilmiştir. Önerilen çalışmada, geleneksel sınıflandırma ve konvolüsyonel sinir ağları arasında karşılaştırmalı bir çalışma ve analiz yapılmıştır. Çeşitli hiperspektral görüntü verilerine dayanarak elde edilen sonuçlar, önerilen konvolüsyonel sinir ağının, geleneksel yöntemlerden %3 ve %6 oranında daha iyi bir sınıflandırma oranı sağladığını göstermiştir.

Abstract

In recent years, hyperspectral imaging has been a popular subject in the remote sensingcommunity by providing a rich amount of information for each pixel about fields. In general,dimensionality reduction techniques are utilized before classification in statistical pattern-classification tohandle high-dimensional and highly correlated feature spaces. However, traditional classifiers anddimensionality reduction methods are difficult tasks in the spectral domain and cannot extractdiscriminative features. Recently, deep convolutional neural networks are proposed to classifyhyperspectral images directly in the spectral domain. In this paper, we present comparative study amongtraditional data reduction techniques and convolutional neural network. The obtained results onhyperspectral image data sets show that our proposed CNN architecture improves the accuracy rates forclassification performance, when compared to traditional methods by increasing the classificationaccuracy rate by 3% and 6%.

🔖

Bu Makaleye Atıf Yap

ORTAÇ, G., ÖZCAN, G. (2022). Hiperspektral Verilerin Sınıflandırmasında Derin Öğrenme ve Boyut İndirgeme Tekniklerinin Karşılaştırılması. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, Cilt: 23 - Sayı: 3, 73–90. https://ajindex.com/articles/643765

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (2)

  1. Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J.,. & Kudlur, M. (2016, November). TensorFlow: A System for Large-Scale Machine Learning. In OSDI (Vol. 16, pp. 265-283).
  2. Agarwal, A., El-Ghazawi, T., El-Askary, H., & Le-Moigne, J. (2007, December). Efficient hierarchical-PCA dimension reduction for hyperspectral imagery. In Signal Processing and Information Technology, 2007 IEEE International Symposium on (pp. 353-356). IEEE. DOI: 10.1109/ISSPIT.2007.4458191 Bandos, T. V., Bruzzone, L., & Camps-Valls, G. (2009). Classification of hyperspectral images with regularized linear discriminant analysis. IEEE Transactions on Geoscience and Remote Sensing, 47(3), 862-873. DOI: 10.1109/TGRS.2008.2005729 Bartholomew, D. J., Steele, F., Galbraith, J., & Moustaki, I. (2008). Analysis of multivariate social science data. Chapman and Hall/CRC. Bazi, Y., & Melgani, F. (2006). Toward an optimal SVM classification system for hyperspectral remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 44(11), 3374-3385. DOI: 10.1109/TGRS.2006.880628. Bruce, L. M., Koger, C. H., & Li, J. (2002). Dimensionality reduction of hyperspectral data using discrete wavelet transform feature extraction. IEEE Transactions on geoscience and remote sensing, 40(10), 2331-2338. DOI: 10.1109/TGRS.2002.804721. Bruna, J., Sprechmann, P., & LeCun, Y. (2015). Super-resolution with deep convolutional sufficient statistics. arXiv preprint arXiv:1511.05666. Camps-Valls, G., Gómez-Chova, L., Calpe-Maravilla, J., Martín-Guerrero, J. D., Soria- Olivas, E., Alonso-Chordá, L., & Moreno, J. (2004). Robust support vector method for hyperspectral data classification and knowledge discovery. IEEE Transactions on Geoscience and Remote sensing, 42(7), 1530-1542. DOI: 10.1109/TGRS.2004.827262. Camps-Valls, G., Gomez-Chova, L., Muñoz-Marí, J., Vila-Francés, J., & Calpe-Maravilla, J. (2006). Composite kernels for hyperspectral image classification. IEEE Geoscience and Remote Sensing Letters, 3(1), 93-97. DOI: 10.1109/LGRS.2005.857031. Chang, C. I. (2003). Hyperspectral imaging: techniques for spectral detection and classification (Vol. 1). Springer Science & Business Media. Chang, C. I., & Du, Q. (1999). Interference and noise-adjusted principal components analysis. IEEE transactions on geoscience and remote sensing, 37(5), 2387-2396. DOI: 10.1109/36.789637. DOI: 10.1109/36.789637. Chen, S., & Zhang, D. (2011). Semisupervised dimensionality reduction with pairwise constraints for hyper