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
- Tez No: 223732
- Danışmanlar: PROF.DR. BİNGÜL YAZGAN, PROF.DR. OKAN K. ERSOY
- Tez Türü: Doktora
- 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
- Anahtar Kelimeler: Uzaktan algılama, Hiperspektral data sınıflandırma, Konsensüs, Remote sensing, Hyperspectral data classification, Consensual classification
- Yıl: 2007
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Computational prediction of disordered regions in proteins
Proteindeki düzensiz bölgelerin hesapsal tahmini
İREM ERSÖZ KAYA
Doktora
İngilizce
2008
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
YRD. DOÇ. DR. TURGAY İBRİKÇİ
- Elektrokardiyogram vurularının GAL ağı yardımıyla sınıflandırılması
Classification of electrocardiogram beats using GAL network
SELİN METİN
Yüksek Lisans
Türkçe
2002
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KORÜREK
- Şerit takip desteği sistemi için fonksiyonel emniyet analizi
Functional safety analysis for lane keeping assistance system
EMİR KUDUN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKER ÜSTOĞLU
- 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
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OĞUZ ALTUN
- 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
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gedik ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞERİFE ESRA DİNÇER