Derin öğrenme yöntemleri kullanarak hiperspektral imgelerin sınıflandırılmasına yönelik yeni yaklaşımlar
New approaches for hyperspectral image classification using deep learning
- Tez No: 484339
- Danışmanlar: DOÇ. DR. ALPER BAŞTÜRK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 199
Özet
Maddeler ışık enerjisini yansıtabilmekte ve çeşitli dalga boyları için farklı farklı yansıma tepkileri üretebilmektedir. Maddelerin bu önemli özelliği, belli bir dalga boyu için verilen yansılamalar aracılığıyla farklı nesnelerin tanımlanabilmesini sağlamaktadır. Hiperspektral görüntüleme teknolojileri yüzlerce dar ve sürekli aralıklandırılmış spektral bantta veri toplayarak, yüksek çözünürlüklü imge verisi sunmaktadır. Hiperspektral görüntüleme sistemlerinin sunduğu verilerin analiz edilmesi ve nesnelerin sınıflandırılması oldukça zahmetli bir takım süreçlerden oluşmaktadır. Hiperspektral imgelerin sınıflandırılmasında olasılıksal ve/veya kernel tabanlı, karar ağaçları, yapay sinir ağları vb. geleneksel yöntemler kullanılmaktadır. Fakat son zamanlarda, kompleks ve büyük çaplı verilerin sınıflandırılmasında oldukça etkili sonuçlar veren derin öğrenme yaklaşımlarının da kullanılmaya başlandığı görülmektedir. Literatürde, derin sinir ağlarının eğitiminde çoğunlukla türev tabanlı optimizasyon yöntemleri kullanılmaktadır. Türev tabanlı yöntemlerin ağın başlangıç şartlarından etkilenme ve yerel minimumlara takılma gibi bazı dezavantajları vardır. Bu tezde, sürü zekası temelli meta-sezgisel yöntemlerin en başarılılarından biri olan yapay arı kolonisi ve L-BFGS algoritmaları kullanılarak hibrit bir optimizasyon algoritması geliştirilmiştir. Derin sinir ağlarının eğitiminde yukarıda bahsi geçen dezavantajları giderebilmek için geliştirilen hibrit optimizasyon algoritmasını temel alan yeni bir eğitim stratejisi önerilmektedir. Önerilen hibrit yapay arı kolonisi temelli eğitim stratejisi (HABCbTS), derin öğrenme yöntemlerinden yığınlanmış özdevinimli kodlayıcı ağına uygulanmıştır. HABCbTS'nin performansı, karşılaştırma için geliştirilen ABCbTS, MABCbTS, L-BFGSbTS (klasik derin sinir ağı eğitimi) ve geleneksel sınıflandırıcılar olan MLP, SVM, KNN, DT ve NB yöntemlerinin performansı ile küçük-orta-büyük boyutlu test veri setleri üzerinden kıyaslanmıştır. Tez çalışmasının ana amacı hiperspektral imge verilerinin sınıflandırılmasında, daha etkili derin öğrenme yaklaşımlarının geliştirilmesidir. Bu amaçla, önerilen HABCbTS'nin performansı, 3 farklı gerçek dünya uzaktan algılama veri seti üzerinden test edilmiştir. Önerilen HABCbTS yönteminin, ABCbTS, MABCbTS, L-BFGSbTS, SVM, KNN, DT ve NB sınıflandırıcılarına göre istatistiksel olarak daha üstün olduğu deneysel sonuçlar ile gösterilmiştir.
Özet (Çeviri)
The materials can reflect the light energy and produce different responses for various wavelengths. This important property of the matters allows us to separate distinct objects by means of their responses for a given wavelength. Hyperspectral imaging technologies offer high resolution image data by obtaining information from hundreds of narrow and continuously spaced spectral frequency bands. The analysis of data provided by hyperspectral imaging systems and the classification of objects through this data need very onerous processes. The conventional methods, including probabilistic and/or kernel-based techniques, decision trees, artificial neural networks etc. are generally used for classification of hyperspectral images. Recently, however, deep learning approaches, which yield highly effective results in the classification of complex and big data, has begun to be used for classification of hyperspectral images. Derivative-based optimization methods are mostly used techniques for the training of deep neural networks in the literature. These methods have some disadvantages such as influenced by the initial conditions and getting trapped at local minima. In this thesis, a hybrid optimization algorithm has been developed by using artificial bee colony algorithm, which is one of the most successful methods of swarm intelligence based meta-heuristic methods, and L-BFGS algorithm. A new training strategy based on this hybrid optimization algorithm is employed to train deep neural networks for eliminating the disadvantages in the process mentioned above. The proposed hybrid artificial bee colony based training strategy (HABCBTS) has been applied to stacked autoencoder network which is a deep learning method. The performance of HABCbTS is compared with the performances of other developed methods including ABCbTS, MABCbTS and L-BFGSbTS (general training method of deep neural network) as well as compared with the performances of traditional classifiers, including MLP, SVM, KNN, DT and NB over small-medium-large data sets. The main aim of this thesis is to develop deep learning approaches which are more effective in classifying hyperspectral images. For this purpose, the performance of the proposed HABCbTS has been tested over 3 different real-world remote sensing data sets. Experimental results with statistical analysis show that the proposed HABCbTS outperforms the competing methods ABCbTS, MABCbTS, L-BFGSbTS, SVM, KNN, DT and NB classifiers.
Benzer Tezler
- Hiperspektral imgelerde anomali saptama için istatistiksel yöntemler
Statistical methods for anomaly detection in hyperspectral images
SERTAÇ ARISOY
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiGebze Teknik ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KORAY KAYABOL
- Analysis of hyperspectral images with deep learning methods
Derin öğrenme yöntemleriyle hiperspektral görüntülerin analizi
EKREM TARIK KARAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- 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
- İnvolüsyonel sinir ağları ile hiperspektral verilerin analizi
Analysis of hyperspectral data with involutional neural networks
MÜCAHİT CİHAN
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT CEYLAN
- Evolutionary feature optimization for plant leaf disease detection by deep neural networks
Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu
JALAL SADOON HAMEED AL BAYATI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. BURAK BERK ÜSTÜNDAĞ