Koyu Mod:
Yazar :
Mert YİĞİT, Ümit Haluk ATASEVER
Özet :
Son yıllarda, birçok farklı disiplinden araştırmacılar uzaktan algılama veri ve yöntemlerini çalışmalarında yoğun olarak
kullanmaktadırlar. Uzaktan algılama; haritacılık disiplininin yanında bölgesel planlama, tarım, güvenlik vb. birçok alanda
kullanılmaktadır. Uzaktan algılama çalışmalarında kullanılan materyallerden olan hiperspektral görüntüleri günden güne daha fazla
tercih edilmektedir. Yorumlanması zor olan görüntülerin, sınıflandırılması, kullanıcıların daha anlaşılabilir sonuçlar elde etmesine
olanak sağlamaktadır. Bu çalışmada farklı makine öğrenmesi tekniklerinin farklı parametrelerine göre hiperspektral görüntülerin
sınıflandırma performansına olan etkisi incelenmiştir. Destek Vektör Makineleri, Karar Ağaçları, Torbalama Karar Ağaçları, K-En
Yakın Komşuluk, Alt Uzay En Yakın Komşuluk, Diskriminant Analizi yöntemleri çalışmada kullanılan geleneksel sınıflandırma
yöntemleridir. Bu tekniklere ek olarak piksel temelli sınıflandırmada kullanılan bir derin öğrenme modeli olan Oto-Kodlayıcı
tekniğinin parametrelerinin sınıflandırma performansına etkisi incelenmiştir. Yığınlanmış Oto-Kodlayıcı parametrelerin (transfer
fonksiyonları, saklı katman sayıları vb.) farklı kombinasyonlarından sınıflandırma doğruluğunu görece yüksek yapan değişkenlerin
belirlenmesi çalışmanın öncelikli amacını oluşturmaktadır. Uygulamalarda AVIRIS sensörü ile elde edilen 16 farklı sınıf etiketine
sahip Indian Pines ile 6 farklı sınıf etiketine sahip Salinas-A veri setleri kullanılmıştır. Her bir yöntemin parametrelerinin farklı
kombinasyonlar ile gerçekleştirilen deneysel çalışmalarda görece yüksek test doğruluğunu veren parametre kombinasyonları
belirlenmeye çalışılmıştır. Bu deneysel çalışmalar sonucunda sınıflandırma doğruluğu açısından daha başarılı olan tekniğin
Yığınlanmış Oto-Kodlayıcı tekniği olduğu görülmüştür.
Anahtar Kelimeler :
: Hiperspektral Görüntüler, Derin Öğrenme, Yığınlanmış Oto-Kodlayıcı, Makine Öğrenmesi
Kaynak :