Geri Dön

Border feature detection and adaptation: a new algorithm for classification of remote sensing images

Sınır öz niteliklerinin belirlenmesi ve adaptasyonu: Uzaktan algılama görüntülerinin sınıflandırılması için yeni bir algoritma

  1. Tez No: 223732
  2. Yazar: N. GÖKHAN KASAPOĞLU
  3. Danışmanlar: PROF.DR. BİNGÜL YAZGAN, PROF.DR. OKAN K. ERSOY
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Jeodezi ve Fotogrametri, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Uzaktan algılama, Hiperspektral data sınıflandırma, Konsensüs, Remote sensing, Hyperspectral data classification, Consensual classification
  7. Yıl: 2007
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 98

Özet

Uzaktan algılama datalarının sınıflandırılmasında, genellikle, eğitim için kullanılan örneklerin sayısı sınırlıdır. Sınırlı sayıda eğitim kümesi elemanı, özellikle öznitelik vektörünün boyutunun büyük olduğu hiperspektral datalarda, parametrik sınıflayıcıların kullanımını kısıtlar. Bu yüzden, bu çalışmada, sınır özniteliklerinin belirlenmesi ve adaptasyonu algoritması (SÖBA) tanıtılmıştır. SÖBA algoritması iki bölümden oluşur. İlk aşamada sınır öznitelik vektörlerinin başlangıç değerleri uygun eğitim kümesi elemanlarından atanır. Bu atama işlemiyle yönetilebilir sayıda sınır özniteliği vektörü elde edilir. Daha sonra uygulanan adaptasyon işlemiyle, learning vector quantization' na (LVQ) benzer bir yapıda öğrenme süreci gerçekleştirilerek sınır özniteliklerinin, sonuç değerlerine ulaşması hedeflenir. Sınıflandırma sonuç sınır öznitelik vektörlerine olan en yakın 1 komşuluk (1-NN) kuralı uyarınca yapılır. Ek olarak, SÖBA algoritmasının sınır öznitelik vektörlerinin başlangıç değerlerine ve eğitim kümesi elemanlarının eğitimde kullanılma sırasına bağlı olarak her çalışmasında kabul edilebilir derecede farklı sonuçlar vermesi, konsensüs yapılarda kullanılması için elverişli bir özelliktir. Böylece birçok defa çalıştırılan SÖBA kararlarının birleştirilmesiyle tek bir sınıflayıcının aldığı karardan çok daha doğru kararlar elde edilir.

Özet (Çeviri)

In general, there is a limited number of training samples in remote sensing data classification. Use of parametric classification algorithms has some difficulties related to appropriate parameter estimation, especially for hyperspectral data which has a very large number of attributes (bands, features). In this study, border feature detection and adaptation algorithm (BFDA) is introduced as a nonparametric classifier to overcome classification problems with a limited number of training samples. The BFDA consist of two parts. In the first part of the algorithm, some selected training samples are assigned as initial reference vectors called border feature vectors. In the second part of the algorithm, the border feature vectors are moved to the decision boundary by using an adaptation process which has some similarity with learning vector quantization algorithm (LVQ). At the end of the adaptation process, border feature vectors reach their final values. The method next uses the 1- Nearest Neighbor (1-NN) algorithm with these border feature vectors. In addition, the BFDA?s performance is related to orders of the training vectors. Therefore, the results of the individual runs of the BFDA are convenient to be combined by an appropriate consensual rule.

Benzer Tezler

  1. Computational prediction of disordered regions in proteins

    Proteindeki düzensiz bölgelerin hesapsal tahmini

    İREM ERSÖZ KAYA

    Doktora

    İngilizce

    İngilizce

    2008

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    YRD. DOÇ. DR. TURGAY İBRİKÇİ

  2. Elektrokardiyogram vurularının GAL ağı yardımıyla sınıflandırılması

    Classification of electrocardiogram beats using GAL network

    SELİN METİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2002

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET KORÜREK

  3. Şerit takip desteği sistemi için fonksiyonel emniyet analizi

    Functional safety analysis for lane keeping assistance system

    EMİR KUDUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLKER ÜSTOĞLU

  4. El çizimi diyagramların modifiye destek vektör makineleri ve grid tabanlı su havzası ile tanınması

    Recognition of hand drawn diagrams using modified support vector machines and grid based watershed

    ORHAN NOORULDEEN

    Doktora

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ OĞUZ ALTUN

  5. Askeri araç tespitinde yolo yapay zeka uygulaması ile renk tonu doygunluğu değeri (HSV) yönteminin karşılaştırılması

    Comparison of yolo ai application and color saturation value (HSV) method in military vehicle detection

    SERKAN GÜNDÜZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gedik Üniversitesi

    Yapay Zeka Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ŞERİFE ESRA DİNÇER