Özellik mühendisliğinin görüntü sınıflandırmaya etkisinin incelenmesi
Investigating the impact of feature engineering on image classification
- Tez No: 951706
- Danışmanlar: DOÇ. DR. ÜMİT HALUK ATASEVER
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 67
Özet
Bu çalışmada, uzaktan algılama alanında hiperspektral görüntü sınıflandırmasında özellik mühendisliğinin etkisi incelenmiştir. Salinas-A ve Indian Pines olmak üzere iki farklı hiperspektral veri seti kullanılmış, özellik kümelerinin genişletilmesinin sınıflandırıcı performansını nasıl etkilediği değerlendirilmiştir. Bu doğrultuda, orijinal hiperspektral verilerden 10, 50, 100 ve 200 boyutlu yeni özellik kümeleri oluşturulmuştur. Bu çalışmada, Topluluk Yöntemleri, Destek Vektör Makineleri, Yapay Sinir Ağları, Naif Bayes, Karar Ağaçları, K-En Yakın Komşuluk, Lineer ve Kernel tabanlı modeller ile Lineer Diskriminant Analizi dahil olmak üzere dokuz farklı sınıflandırıcı değerlendirilmiş ve elde edilen sınıflandırma sonuçlarının etkinliğini belirlemek amacıyla karşılaştırılmıştır. Elde edilen bulgular, özellik mühendisliğinin sınıflandırma doğruluğunu artırmada önemli bir rol oynadığını, ancak bu etkinin veri setleri ve sınıflandırıcı türleri arasında farklılık olduğunu göstermektedir. Salinas-A veri seti için oluşturulan yeni özelliklerin, özellikle Yapay Sinir Ağları ve Destek Vektör Makineleri gibi sınıflandırıcılarda %95'in üzerinde genel doğruluk değerlerine ulaştığı gözlemlenmiştir. Buna karşın, Indian Pines veri seti, az sayıda yeni özellik eklenmesi durumunda veri karmaşıklığındaki artış ve“Boyut Laneti”nedeniyle sınıflandırıcı performansında başlangıçta bir düşüş sergilemiştir. Bununla birlikte, daha fazla üretilmiş özellik kullanıldığında Yapay Sinir Ağları ve Kernel Yöntemleri gibi sınıflandırıcılarda kayda değer bir toparlanma ve iyileşme görülmüştür. Sonuç olarak, yaklaşık %89 oranında genel doğruluk elde edilmiştir. Bu tez, çevresel izleme, tarımsal yönetim ve doğal kaynak keşfi gibi alanlarda hiperspektral görüntülerin sınıflandırılmasına yönelik daha doğru ve güvenilir yöntemlerin geliştirilmesine katkı sağlamaktadır.
Özet (Çeviri)
This study examines the impact of feature engineering on hyperspectral image classification in the field of remote sensing. Utilizing the Salinas-A and Indian Pines datasets, both datasets are characterized by high spectral dimensionality. It assesses how augmenting feature sets influences classifier performance. In MATLAB environment, additional features (10, 50, 100, and 200) were generated for the original datasets. A collection of classifiers, including Ensemble Methods, Support Vector Machines (SVM), Neural Networks (ANN), Naive Bayes, Decision Trees, K-Nearest Neighbors (KNN), Linear models, Kernel-Based methods, and Discriminant Analysis, were evaluated to determine their efficacy on classified features. The findings indicate that feature engineering plays a crucial role in enhancing classification accuracy, while its impact differs between datasets and classifier types. For the Salinas-A dataset, the use of engineered features significantly improved performance across most classifiers, with Neural Networks and SVMs achieving Overall Accuracy (OA) values exceeding 95% when 100 or more new features were added. Conversely, the Indian Pines dataset demonstrated an initial decrease in classifier performance with the addition of a small number of features, presumably due to increased data complexity and the“Curse of Dimensionality.”Nevertheless, as more engineered features were used, classifiers such as Neural Networks and Kernel methods showed significant recovery and improvement, reaching OAs of approximately 89%. The implications of this research are for hyperspectral remote sensing applications, such as environmental monitoring, agricultural management, and resource exploration.
Benzer Tezler
- Application of data mining techniques in software engineering
Yazılım mühendisliğinde veri madenciliği tekniklerinin uygulanması
ELİFE ÖZTÜRK KIYAK
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA BİRANT
- Özellik mühendisliğinde transfer öğrenme yaklaşımı ve büyük dil modeli entegrasyonuyla açıklanabilir otomatik makine öğrenimi çerçevesi
Explainable automated machine learning framework with transfer learning approach and large language model integration in feature engineering
MERVE SIRT
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CAN EYÜPOĞLU
- Feature engineering in biomedical data processing-a case study
Biyomedikal veri işlemede özellik mühendisliği-vaka çalışması
BURCU AKÇA
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİZMİR BAKIRÇAY ÜNİVERSİTESİBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ORHAN ER
- Development of a machine learning prediction model for construction safety management
İnşaat iş güvenliği yönetimi için makine öğrenmesine dayalı tahmin modeli geliştirilmesi
KERİM KOÇ
Doktora
İngilizce
2022
İnşaat MühendisliğiYıldız Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ASLI PELİN GÜRGÜN
- Rüzgar gücü tahmini için oluşturulan modellerin performans sonuçlarının analiz edilmesi
Analyzing the performance results of models for wind power forecasting
ORKUN TEKE
Doktora
Türkçe
2024
Enerjiİskenderun Teknik ÜniversitesiEnerji Sistemleri Ana Bilim Dalı
PROF. DR. TOLGA DEPCİ
DOÇ. DR. BARIŞ ÇUKURBAŞI