Python'da derin öğrenme yöntemleri ile hiperspektral uydu görüntülerinin otomatik olarak sınıflandırılması
Automatic classification of hyperspectral satellite images with deep learning methods in Python
- Tez No: 679817
- Danışmanlar: PROF. DR. KEMAL POLAT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Bolu Abant İzzet Baysal Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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
- Analysis of hyperspectral images with deep learning methods
Derin öğrenme yöntemleriyle hiperspektral görüntülerin analizi
EKREM TARIK KARAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Derin öğrenme yöntemleri ile insansız hava araçlarının tespit edilmesi
Drone detection with deep learning methods
SİNAN DOĞAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErzincan Binali Yıldırım ÜniversitesiYapay Zeka ve Robotik Ana Bilim Dalı
PROF. DR. AHMET BARAN
- Beyin damar görüntülerinde dallanma ve uç noktalarin derin öğrenme yöntemleri ile tespiti
Detection of branches and end points in cerebral vessel images with deep learning methods
SAMET KAYA
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BERNA KİRAZ
PROF. DR. ALİ YILMAZ ÇAMURCU
- Konut değerlemesinde yerel ve konum indekslerinin belirlenerek çoklu regresyon ve derin öğrenme yöntemleri ile analizi: Mersin ili örneği
Analyses with multiple regression and deep learning methods by determining local and location indices in housing valuation: A case study of Mersin province
BEYZA ÖNÜGÖREN
Yüksek Lisans
Türkçe
2024
Mühendislik BilimleriMersin ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATMA BÜNYAN ÜNEL
- Deep learning based dynamic turkish sign language recognition with leap motion
Derin öğrenme tabanlı leap motıon ile dinamik türk işaret dili tanıma
BURÇAK DEMİRCİOĞLU KAM
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HATİCE KÖSE