Eğitimli (supervised) sınıflama yönteminde yeni algoritmalar ve bunların Çukurova bölgesindeki uygulamaları
Başlık çevirisi mevcut değil.
- Tez No: 23120
- Danışmanlar: Belirtilmemiş.
- Tez Türü: Doktora
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Sayısal görüntü işleme, Uydu verileri, Uzaktan algılama, Digital image processing, Satellite data, Remote sensing
- Yıl: 1992
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Toprak Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
ÖZ Bu çalışmada önce Yoğunlaştırılmış En Yakın Komşu (“Condensed Nearest Neighbor”, CNN) metodunun, En Yakın Komşu (“Nearest Neighbor”, NN) metodu sorunlarına getirdiği çözümler irdelenmiştir. Uygulamalarda CNN ve NN sınıflama sonuçları <%10 mertebesinde bir farklılık göstermiş olup, bunun sadece sınır piksellerin bazen farklı yorumlanmalarından ileri geldiği görülmüştür. Ancak CNN yöntemi, NN yötemindeki sınıflara ait eğitim setini yaklaşık on misli azalttığından, bu oranda daha az disk veya hafıza kapasitesi gerektirmekte ve CNN yöntemi ile sınıflamada 35-40 kat daha az CPU zamanı kullanılmaktadır. Daha sonra, CNN, NN ve MLC (En Büyük Benzerlik“Maximum Likelihood”) eğitimli sınıflama yöntemleri; Çukurova'ya ait 20.02.1991 tarihli LANDSAT verisi kullanılarak CPU zamanı ve sınıflama doğruluğu açılarından karşılaştırılmıştır. Uygulamalar sonucu hazırlanan doğruluk tabloları (contingency tables) ve yöntemlerin kullandığı CPU zamanı çizelgeleri ile bu üç yöntemin karşılaştırılmaları sonucunda, sınıfların Gaussian olduğu uygulamalarda [Çukurova Üniversitesi (Çü) uygulama alanı] her üç yöntemde, doğruluk yüzdesi açısından birbirine yakındır. Fakat, sınıf dağılımı“Gaussian”olmayan sınıfların bulunduğu uygulamalarda [Hacıali Tarım istasyonunda (HI)] MLC sınıflama doğruluğu sonuçları NN ve CNN ile kıyaslandığında oldukça başarısız kalmaktadır. Diğer taraftan veri hacmi giderek arttırıldığında, NN yönteminin kullanılması, CPU zamanı açısından imkansızlaşmaktadır. Aynı koşullarda CNN ve MLC yöntemleri birbirlerine yakın CPU zamanı kullanmaktadırlar. Sonuç olarak CNN yönteminin MLC'ye sınıflandırma doğruluğu, NN'ye de CPU zamanı ve bilgisayar hafızası gereksinimleri açısından tercih edilmesi gerektiği gösterilmiştir. Bu nedenle CNN yöntemi, bitki deseni bakımından zengin, yılda bir kaç ürünün alınabildiği Çukurova bölgesinde, buğday, narenciye, mısır, soya, pamuk ekim alanlarının 10.03.1991 ve 17.07.1992 tarihli LANDSAT verileri kullanılarak sınıflaması için kullanılmış ve sonuçlar yergerçeği çalışmaları ile denetlenmiştir.
Özet (Çeviri)
ABSTRACT It is first shown that Condensed Nearest Neighbor (CNN) classification rule overcomes severe the CPU time and computer memory size problems encountered in the practical applications of the Nearest Neighbor (NN) classification rule. To see the effect quantitativly, both methods were applied for land-use classification on the same data sets and results were compared for the overall classification accuracy, CPU time and memory sizes needed. The classification results obtained by CNN and NN differ only by <10% the difference being due to misinterpretation of some of the border pixels. Yet CNN uses about 10 times smaller training sets than NN for the classes under consideration, resulting in less disk or memory usage. More importantly, CNN uses about 35-40 times much less CPU time compared to NN for the same task. Three methods (CNN, NN, MLC) were compared in terms of CPU time, memory size and classification accuracy using data sets prepared from LANDSAT 5 - TM data acquired on Feb. 20, 1991. According to the contingency and CPU time tables which are prepared from classification applications; A comparision of all three classification techniques shows that, the classification accuracy for the applications at Çukurova University (ÇÜ) Test Area with all classes having Gaussian distribution were nearly the same. But when non- Gaussian classes exist such as the applications at Çukurova Hacıali Station (HI), CNN and NN yield much more accurate results than MLC in classification accuracy. However NN requires unapplicable amount of CPU time with high data dimensionality. MLC and CNN applications need CPU comparable times. As a result, it was shown that CNN was superior over MLC for classification accuracy and NN for CPU time and memory requirements. Thus CNN rule was selected for a wider application to classify LANDSAT data on Çukurova region which is a rich agricultural lowland where crop is harvested several times a year. The LANDSAT data acquired on MarchlO, 1991 and July 17, 1992 have been used for the estimation of wheat, orange, corn, soy bean and cotton accreages, and results are verified by ground truth work.
Benzer Tezler
- Derin öğrenmede üretken çekişmeli ağlar için denetimli öğrenme yaklaşımı
A supervised learning approach for generative adversarial networks in deep learning
ABDURRAHMAN ÖCAL
Doktora
Türkçe
2020
Endüstri ve Endüstri MühendisliğiErciyes ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. LALE ÖZBAKIR
- Hiperspektral görüntülerde yarı güdümlü öğrenme teknikleri
Semi supervised learning techniques on hyperspectral images
MUHAMMET SAİD AYDEMİR
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN
- Derin öğrenme için yenilikçi düzgünleştirme yaklaşımlarının geliştirilmesi ve medikal görüntülere uygulanması
Development of new regularization approaches for deep learning and application to medical images
KAZIM FIRILDAK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU
DR. ÖĞR. ÜYESİ GAFFARİ ÇELİK
- A metric learning based system for retail product recognition and novel class discovery
Metrik öğrenme tabanlı ürün tanıma ve yeni ürün keşfetme sistemi
İBRAHİM ŞAMİL YALÇINER
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL