Hyperspectral data classification via capsule networks
Kapsül ağları ile hiperspektral verilerin sınıflandırılması
- Tez No: 595564
- Danışmanlar: PROF. DR. GÖZDE BOZDAĞI AKAR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 82
Özet
Bu tez kapsamında, yeni bir derin mimari olan kapsül ağlarının hiperspektral veri sınıflandırma üzerindeki başarısı incelenmiştir. Bu yöntem, günümüzde sınıflandırmada kullanılan en başarılı yöntemlerden biri olan evrişimsel sinir ağlarına benzemekle beraber, yöntemin kısıtlarını gidermek ve başarımını artırmak amacıyla geliştirilmiştir. Evrişimsel sinir ağları, evrişim operasyonunu kullanarak özniteliklerin ortaya çıkarılmasını sağlamaktadır. Daha sonra bu öznitelikleri kullanarak bir sınıflandırma gerçekleştirmektedir. Ancak, bu özniteliklerin kendi aralarındaki ilişkiyi ölçmekte yetersiz kalmaktadır. Ayrıca, evrişimsel sinir ağlarında parametre sayısını azaltmak amacıyla kullanılan havuzlama işlemi, özniteliğin konum bilgisinin kaybolmasına sebep olmakta ve yöntemin başarımını düşürmektedir. Kapsül ağlarında sunulan yeniliklerle, evrişimsel sinir ağlarının bahsedilen eksiklerinin giderilmesi amaçlanmıştır. Her bir özniteliğe ait konum, yönelim, ölçek gibi somutlaştırma parametreleri bir kapsül içinde tutulmakta ve sınıflandırma aşamasında hem ilgili özniteliğin varlığına hem de özniteliğin bahsedilen somutlaştırma parametrelerindan yararlanılmaktadır. Hiperspektral veriler üzerinde yapılan deneylerde, farklı sayıda ve ve yapıdaki eğitim kümeleri kullanılarak, kapsül ağlarının verimi değerlendirilmiştir. Ayrıca, benzer yapıda bir CNN modeli oluşturulmuş ve performans açısından kapsül ağlarıyla karşılaştırılması yapılmıştır. Sunulan yöntemin başarılı sonuçlar verdiği görülmekle beraber, yineleme işleminin bellek ve işlem süresi açısından yorucu olduğu gözlemlenmiştir.
Özet (Çeviri)
In this thesis, a novel deep architecture capsule networks are investigated for hyperspectral data classification purposes. Even though this algorithm resembles convolutional neural networks (CNN), which is one of the most successful methods in classification, capsule networks have been developed to overcome the limitations of it. CNN applies convolution operation to extract features in the samples and uses these features to classify them. However, it fails to measure the relationship between these features. Moreover, pooling operation that is used in CNN to reduce the number of parameters results in loss of position information and thus decreases the success of classifier. With the novelties proposed in capsule networks, it is intended to resolve the shortcomings of CNN mentioned above. Instantiation parameters such as position, orientation, scale of each feature are kept in a capsule, and both the presence of the relevant feature and the instantiation parameters of the feature are utilized in the classification step. In the experiments performed on hyperspectral data, the efficiency of capsule networks is evaluated by using different number and structure of training samples. A CNN algorithm with a similar structure is constructed and compared with capsule networks. Although the presented method yields successful results, it has been observed that iteration is exhausting in terms of memory and processing time.
Benzer Tezler
- Beyond 2D and more: Interpreting remote sensing image classification methods via explainable artificial intelligence
2 boyuttan daha fazlası: Açıklanabilir yapay zeka aracılığıyla uzaktan algılama görüntü sınıflandırma yöntemlerinin yorumlanması
DEREN EGE TURAN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERCHAN APTOULA
- Topluluk öğrenmeli destek vektör veri tanımlaması yöntemi ile hiperspektral görüntülerin sınıflandırılması
Hyperspectral image classification based on ensemble support vector data description method
FARUK ŞÜKRÜ USLU
Doktora
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HERMAN SEDEF
- Hiperspektral imgelerin izge-uzamsal sınıflandırılması için olasılıksal modeller
Probabilistic models for spectral-spatial classification of hyperspectral images
SEZER KUTLUK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN AKAN
DOÇ. DR. KORAY KAYABOL
- Improved classification of remote sensing imagery using image fusion techniques
Görüntü kaynaştırma yöntemleri kullanarak uzaktan algılanmış görüntülerin sınıflandırmalarının iyileştirilmesi
ESRA TUNÇ GÖRMÜŞ
Doktora
İngilizce
2013
Jeodezi ve FotogrametriUniversity of BristolElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALIN ACHIM
PROF. DR. NISHAN CANAGARAJAH
- Sparse coding via high dimensional model representation for hyperspectral images
Hiperspektral görüntüler için yüksek boyutlu model gösterilim aracılığıyla seyrek kodlama
KAMILA MUMINOVA
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA