Geri Dön

Python'da derin öğrenme yöntemleri ile hiperspektral uydu görüntülerinin otomatik olarak sınıflandırılması

Automatic classification of hyperspectral satellite images with deep learning methods in Python

PDF İndir

  1. Tez No: 679817
  2. Yazar: AKIN ÖZDEMİR
  3. Danışmanlar: PROF. DR. KEMAL POLAT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Bolu Abant İzzet Baysal Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 86

Özet

Sayısal görüntülemenin en gelişmiş metotlarından birisi olan Hiperspektral Görüntüleme, bilinen RGB görüntülemeden, içerisinde bulundurduğu elektromanyetik bant sayısının çok daha fazla olması ile ayrılır. Makine öğrenmesinde dengesiz veri kümeleri ile sıkça karşılaşılmaktadır ve hiperspektral görüntülere ait veri kümeleri de genellikle dengesiz olmaktadır. Dengesiz veri kümeleri ile oluşturulan modellerin başarıları düşük olmaktadır. Bu performans kaybını engellemek içinse veri kümeleri özel metotlar kullanılarak dengeli hale getirilmelidir. Bu tez çalışmasında ana hedef, dengesiz olan orijinal veri kümesi ile Smote, Adasyn, K-Means ve Cluster metotları kullanılarak dengelenmiş yeni veri kümeleri arasındaki performans farkını açığa çıkarmaktır. Çalışma kapsamında Xuzhou Hyspex veri kümesi kullanılmıştır. Toplam 9 farklı sınıftan oluşan bu veri kümesi IEEE-Dataport Machine Learning Repository'den alınmıştır. Sınıflama için Konvolüsyonel Yapay Sinir Ağları tercih edilmiştir. Ek olarak Bire karşı Diğerleri(OvA) ve Bire karşı Bir(OvO) gibi çok-sınıflı problemler için kullanılan tahminlere yaklaşımları kullanılmıştır.Veri kümesi, Dışarıda Bırakma ve Çapraz Doğrulama yöntemleri kullanılarak eğitme ve test parçalarına ayrılmıştır. Elde edilen sonuçların değerlendirilmesi içinse Karmaşıklık Matrisi oluşturulmuş, ek olarak Doğruluk, Kesinlik, Hassaiyet, F-Ölçütü ve Cohen's Kappa değerleri hesaplanmıştır. Elde edilen sonuçlar değerlendirildiğinde ise dengelenmiş veri kümeleri ile elde edilen performansın, dengelenmemiş veri kümesi ile elde edilenden daha yüksek olduğu gözlemlenmiştir. Bu sayede veri kümesi dengeleme metotlarının performansa olumlu katkı sağladığı ortaya konulmuştur.

Özet (Çeviri)

Hyperspectral Imaging, which is one of the most advanced methods of digital imaging, differs from the well known RGB imaging by the much more electromagnetic bands it contains. Imbalanced datasets are frequently encountered in machine learning, and datasets of hyperspectral images are often imbalanced. The success of models created with imbalanced data sets is low. In order to prevent this performance loss, data sets should be balanced using special methods. The main goal in this thesis is to reveal the performance difference between the imbalanced original dataset and the new datasets balanced by using Smote, Adasyn, K-Means and Cluster methods. Xuzhou Hyspex dataset was used within the scope of the study. This data set, consisting of 9 different classes in total, was taken from IEEE-Dataport Machine Learning Repository. Convolutional Neural Networks was preferred for classification. In addition, the approximation approaches used for multi-class problems such as One vs All (OvA) and One vs One (OvO) were used. The dataset is splitted into training and testing parts using Hold-Out and Cross Validation methods. Confusion Matrix was created for the evaluation of the obtained results, in addition, Accuracy, Precision, Recall, F-Measure and Cohen's Kappa values were calculated. When the obtained results were evaluated, it was observed that the performance obtained with balanced data sets was higher than with the unbalanced data set. In this way, it has been demonstrated that data set balancing methods contribute positively to performance

Benzer Tezler

  1. Tez No

    791326

    Analysis of hyperspectral images with deep learning methods

    Derin öğrenme yöntemleriyle hiperspektral görüntülerin analizi

    EKREM TARIK KARAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. ZÜMRAY ÖLMEZ

  2. Tez No

    711165

    The statistical learning methods in image processing and facial recognition

    Başlık çevirisi yok

    SARBAZ OMAR RAFEEQ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Ana Bilim Dalı

    PROF. DR. OĞUZ BAYAT

    DR. ÖĞR. ÜYESİ TAREQ ABED MOHAMMED

  3. Tez No

    541592

    Short-term forecasting of wind power production using machine learning and deep learning methods

    Makine öğrenmesi ve derin öğrenme yöntemiyle kısa dönem rüzgar gücü üretim tahmini

    FEYRUZ AKSOY

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖMER USTA

  4. Tez No

    871030

    Derin öğrenme yöntemleri ile insansız hava araçlarının tespit edilmesi

    Drone detection with deep learning methods

    SİNAN DOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErzincan Binali Yıldırım Üniversitesi

    Yapay Zeka ve Robotik Ana Bilim Dalı

    PROF. DR. AHMET BARAN

  5. Tez No

    832249

    X-ray görüntüleri ile derin öğrenme kullanılarak covid-19 vakalarının tespiti

    Detection of covid-19 cases by applying deep learning with x-ray images

    MUHAMMED MUSTAFA AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriSakarya Uygulamalı Bilimler Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. RAŞİT KÖKER

Geri Dön