Aşamalı öğrenmeli destek vektör makineleri ile hiperspektral görüntülerin sınıflandırılması
Classification of hyperspectral images using incremental support vector machines
- Tez No: 238643
- Danışmanlar: YRD. DOÇ. DR. ABDULLAH BAL
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Jeodezi ve Fotogrametri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Science and Technology, Geodesy and Photogrammetry, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Boyut etkisi, Boyut indirgeme, Boyutsal indirgeme, Sınıflandırma, Sınıflandırıcı sistemler, Uydu görüntüleme, Uydu görüntüleri, Size effect, Reduction of dimensionality, Dimensional reduction, Classification, Classfier systems, Satellite imaging, Satellite images
- Yıl: 2009
- Dil: Türkçe
- Üniversite: Gebze Yüksek Teknoloji Enstitüsü
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde askeri ve sivil amaçlı uygulamalarda belli nesnelerin otomatik olarak algılanıp yerlerinin tespit edilmesi gerçeklenmektedir. Bu işlem literatürde ?Otomatik Hedef Belirleme? (Automatic Target Detection) olarak adlandırılmaktadır.Klasik görüntüleme sistemleri görülebilen dalga boyunda tek bir bantta görüntüleme yapmaktadır. Hiperspektral Görüntüleme adı verilen görüntülemede, birkaç yüz veya daha fazla bandı içerecek şekilde görüntü oluşturulmaktadır. Çoklu bant yapısı sınıflandırma açısından önemli avantajlar sunmaktadır. Hedefle ilgili bilgi, spektral ve 2B olarak elde edilebilmektedir.Bu tez çalışmasında destek vektör makineleri hiperspektral görüntülerin sınıflandırılması amacıyla kullanılmıştır. Destek vektör makineleri ile sınıflandırmanın başarısı incelenmiştir. Ayrıca en yakın komşuluk ayrışım analizi (NNDA) yöntemi ile boyut indirgenmesi sağlanmış ve sonrasında sınıflandırmanın performansı incelenmiştir. Ek olarak, sınıflandırma Öğrenme++ (Learn++) algoritması yardımıyla aşamalı olarak gerçeklenmiştir ve aşamalı öğrenen DVM algoritmasının performansının arttırılmasına yönelik öneriler sunulmuştur.
Özet (Çeviri)
Today, automatic detection and localization of specific objects are performed in civil and martial applications. This process is called Automatic Target Detection.Common imaging systems are operated on a single image band in visible spectrum. However, imaging system called Hyperspectral Imaging can perform on several hundreds of bands. The form of multiple bands provides valuable information for classification. The information of the target is formed as both spectral and 2D.In this thesis, support vector machines (SVMs) are used for classification of hyperspectral images. The accuracy of SVM classification is investigated. Classification performance in different dimensions obtained by nearest neighbor discriminant analysis (NNDA) feature extraction is also discussed. In addition, the classification is implemented using an incremental learning approach with Learn++ algorithm. Finally, several suggestions on boosting the performance of Incremental SVM algorithm are proposed.
Benzer Tezler
- 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
- Hiperspektral görüntülerin eğiticisiz bölütlenmesi
Unsupervised segmentation of hyperspectral images
GÖKHAN BİLGİN
Doktora
Türkçe
2009
Bilim ve TeknolojiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SARP ERTÜRK
PROF. DR. TÜLAY YILDIRIM
- N-seviyeli gizli Dirichlet ayırımı desteği ile tür ve duygu sınıflandırma
Genre and emotion classification by support of N-stage latent Dirichlet allocation
ZEKERİYA ANIL GÜVEN
Yüksek Lisans
Türkçe
2018
Mühendislik BilimleriYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BANU DİRİ
- Adaptive and hierarchical classifier fusion approaches for network attack detection
Ağ saldırısı tespiti için uyarlanır ve aşamalı sınıflandırıcı tümleştirme yaklaşımları
ERKAN AS
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
- Designing a reference architecture for personal learning environments
Kişisel öğrenme ortamları için bir referans mimari tasarlanması
SELAMİ BAĞRIYANIK
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM KARAHOCA