Geri Dön

Çok sınıflı çekirdek fukunaga-koontz dönüşümü kullanarak hiperspektral görüntülerde hedef tanıma

Hyperspectral target recognition using multiclass kernel fukunaga-koontz transform

  1. Tez No: 295854
  2. Yazar: SEMİH DİNÇ
  3. Danışmanlar: DOÇ. DR. ABDULLAH BAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2011
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 48

Özet

Gelişen sayısal görüntüleme teknolojisi, günümüzde birçok alanda hayatı kolaylaştırmasının yanında, bir ihtiyaç haline gelmiştir. Özellikle hedef tanıma problemi, başta askeriye olmak üzere güvenlik ile ilgili sektörlerin ilgisini çekmektedir.Farklı türlerde görüntülerde otomatik hedef tanıma yapılabilmekle birlikte, görüntü yüzeyindeki materyalin cinsine duyarlı olması, daha kesin sonuçlar vereceğinden hiperspektral görüntüler (HSG), diğer görüntülere göre bir adım öne çıkmaktadır.Bu tezde, HSG üzerinde, çok sınıflı Çekirdek Fukunaga-Koontz Dönüşümü (Ç-FKD) kullanılarak hedef tanıma yapılmıştır. Temelde İstatistiksel bir yöntem olan ve iki sınıflı doğrusal sınıflandırma problemlerinde kullanılan klasik FKD, çekirdek dönüşümü ve çok sınıflı yapı kullanılarak iyileştirilmiş ve hedef tanıma problemine uygulanmıştır.Yönteme göre, eğitim aşamasında çekirdek dönüşümünden geçirilen veriler kullanılarak dönüşüm operatörü elde edilir ve ardından test aşamasında, bu dönüşüm operatörü kullanılarak, yine çekirdek dönüşümünden geçirilen test verisi sınıflandırılmıştır. Çok sınıflı yapı sayesinde veri seti üzerindeki bütün sınıflar tek bir eğitim aşaması ile sınıflandırılabilmektedir.Yapılan deneylerde, önerilen yöntem çok sınıflı Ç-FKD, öncelikle klasik FKD ile kıyaslanarak %10-20 oranlarında performans artışı olduğu görülmüştür. Ardından Destek Vektör Makinaları (DVM) gibi yüksek performanslı bir yöntemle karşılaştırılarak DVM'nin doğrusal ve polinom tabanlı modellerinin üzerinde performans gösterdiği tespit edilmiştir. Bununla birlikte radyal tabanlı DVM modeli ile benzer oranda sonuçlar ürettiği görülmüştür.Son olarak, çok sınıflı Ç-FKD ikinci veri setinde piksel seviyesinde küçük boyutlu hedeflere uygulanmış ve bu tür hedeflerde de yüksek doğruluk oranında sonuçlar ürettiği görülmüştür.

Özet (Çeviri)

Nowadays, growing digital vision systems have become fundemental need besides it makes our life easier. Particularly target recognition problem is one of the most challenging issues for security and military sectors.Different types of images may be used for target recognition however Hyperspectral images (HSI) are one step ahead due to their sensitivity of the type of material on the image.In this thesis, Multiclass Kernel Fukunaga-Koontz Transform (K-FKT) is used in order to target recognition on HSI. Classical Fukunaga-Koontz Transform (FKT), which is basically a statistical and two class classification approach, is enhanced by kernel transformatiton and multiclass classification structure.According to proposed method, transformation operator is obtained in traning stage after transforming the training data to the kernel space. Then, the transformation operator is deployed to test vector which was also transformed to the kernel space, in order to decide if the test vector belongs to target class or not. And by using multiclass structure, just one traning stage can be enough for all cases.Kernel Fukunaga-Koontz Transform is tested on two different HSI dataset. Experiment results for the first dataset shows that classification performance increased by 10-20% than Classical FKT. In addition, K-FKT is compared with Support Vector Machine (SVM) method and according to the results, K-FKT gives better results than linear and polynomial based SVM models. However, radial based SVM has similar results with K-FKT.And finally, K-FKT is tested with second dataset that has small (pixel) sized targets. Results show, K-FKT has high performance results with these type of targets too.

Benzer Tezler

  1. Fukunaga-Koontz dönüşümü tabanlı algoritmaların geliştirilmesi ve hedef tespiti-sınıflandırma uygulamaları

    Development of Fukunaga-Koontz transform based algorithms and target detection-classification applications

    HAMİDULLAH BİNOL

    Doktora

    Türkçe

    Türkçe

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. HERMAN SEDEF

  2. Multiple criteria sorting methods based on support vector machines

    Destek vektör makineları temelli çok kriterli sınıflandırma yöntemleri

    ASLI DUMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2010

    Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik Üniversitesi

    Endüstri Mühendisliği Bölümü

    DOÇ. DR. ESRA KARASAKAL

  3. Localized multiple kernel algorithms for machine learning

    Yapay öğrenme için yerel çoklu çekirdek algoritmaları

    MEHMET GÖNEN

    Doktora

    İngilizce

    İngilizce

    2010

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ETHEM ALPAYDIN

  4. Destek vektör makineleri ile doküman sınıflandırma

    Document classification with support vector machine

    ÜZEYİR FİDAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    İstatistikAfyon Kocatepe Üniversitesi

    İstatistik Ana Bilim Dalı

    YRD. DOÇ. DR. ENGİN TAŞ

  5. Using artificial neural network with comparative analysis of different techniques for the classification of sentiment analysis

    Yapay sinir ağının benzer analizlerin sınıflandırılmasında farklı tekniklerin karşılaştırmalı analiziyle kullanılması

    OMAR ABDULAH SALEH AL-BAYATI

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    PROF. DR. OĞUZ BAYAT