HİPERSPEKTRAL GÖRÜNTÜ SINIFLANDIRMASINDA AŞIRI ÖĞRENME MAKİNESİ HİPERPARAMETRELERİNİN OPTİMİZASYON ALGORİTMALARIYLA AYARLANMASI

Tunç B. N., Güngör S., Atasever Ü. H., Beşdok E.

X. UZAL-CBS Teknik Sempozyumu, Trabzon, Türkiye, 15 - 17 Ekim 2026, (Tam Metin Bildiri)

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: Trabzon
  • Basıldığı Ülke: Türkiye
  • Erciyes Üniversitesi Adresli: Evet

Özet

Hiperspektral görüntüler yüzlerce dar spektral bantta yüksek boyutlu veri sağlarken sınırlı sayıda etiketli örnek boyutluluk laneti nedeniyle sınıflandırma başarımını sınırlamaktadır. Aşırı öğrenme makinesi (Extreme Learning Machine, ELM) gizli katman ağırlıklarını rastgele atayıp yalnızca çıkış ağırlıklarını analitik olarak çözdüğünden hızlı eğitilebilen bir sınıflandırıcıdır. Ancak başarı gizli nöron sayısı, etkinleştirme fonksiyonu ve düzenlileştirme katsayısı gibi hiperparametrelere belirgin biçimde bağlıdır. Bu çalışmada ELM hiperparametrelerinin ayarlanmasında toplamda sekiz metasezgisel ve Bayesçi optimizasyon algoritması olan Runge-Kutta Optimizasyonu (RUN), Ağaç-yapılı Parzen Kestiricisi (TPE), Parçacık Sürü Optimizasyonu (PSO), Kum Kedisi Sürü Optimizasyonu (SCSO), Diferansiyel Evrim (DE), Aritmetik Optimizasyon Algoritması (AOA), Cüce Firavun Faresi Optimizasyonu (DMOA) ve Yapay Goril Sürüsü Optimizasyonu (GTO) varsayılan (Default) yapılandırmayla karşılaştırılmıştır. Deneyler Indian Pines, Pavia University ve Salinas hiperspektral kıyas veri kümeleri üzerinde, gizli nöron sayısı [10,500], etkinleştirme fonksiyonu {sigmoid, tanh, ReLU, sin} ve düzenlileştirme katsayısı [10⁻³,10³] arama uzayında, sabit 100 işlev değerlendirmesi bütçesi ve beş rastgele tohumla yürütülmüştür. Bulgular tüm optimizasyon algoritmalarının üç veri kümesinde de varsayılan yapılandırmayı anlamlı biçimde geçtiğini göstermiştir. En büyük kazanım sınıf dağılımı dengesiz olan Indian Pines'ta elde edilmiştir. Genel doğruluk RUN ile 0,5938'den 0,7387'ye (yaklaşık 14,5 puan) yükselmiştir. Pavia University'de 0,8379'dan 0,9118'e (AOA/TPE), Salinas'ta 0,8561'den 0,9189'a (DMOA) çıkan genel doğruluk her iki veri kümesinde 6-7 puanlık iyileşmeye karşılık gelmektedir. Friedman sıralama testinde en iyi ortalama sırayı RUN (2,77) ve TPE (2,83) almıştır. Varsayılan yapılandırma tüm veri kümelerinde son sırada (9,00) kalarak Nemenyi testinde optimize edilmiş sekiz algoritmanın yedisinden anlamlı biçimde ayrışmıştır. Optimize edilen yapılandırmalar ortalamada geniş bir gizli katman ile ReLU etkinleştirmesini tercih etmiştir. Sonuçlar düşük bir hesaplama bütçesiyle uygulanan otomatik hiperparametre ayarının ELM tabanlı hiperspektral sınıflandırma için sağlam ve pratik bir strateji olduğunu ortaya koymaktadır.

Hyperspectral images provide high-dimensional data in hundreds of narrow spectral bands, while a limited number of labelled samples restricts classification performance because of the curse of dimensionality. The Extreme Learning Machine (ELM) is a fast-trainable classifier that assigns hidden-layer weights randomly and solves only the output weights analytically. However, its performance depends markedly on hyperparameters such as the number of hidden neurons, the activation function and the regularization coefficient. This study compares a total of eight metaheuristic and Bayesian optimization algorithms -Runge-Kutta Optimization (RUN), the Tree-structured Parzen Estimator (TPE), Particle Swarm Optimization (PSO), Sand Cat Swarm Optimization (SCSO), Differential Evolution (DE), the Arithmetic Optimization Algorithm (AOA), the Dwarf Mongoose Optimization Algorithm (DMOA) and the Artificial Gorilla Troops Optimizer (GTO)- against the default configuration for tuning ELM hyperparameters. Experiments were carried out on the Indian Pines, Pavia University and Salinas benchmark hyperspectral data sets, over a search space of hidden neurons in [10,500], activation function in {sigmoid, tanh, ReLU, sin} and regularization coefficient in [10⁻³,10³], under a fixed budget of 100 fitness evaluations and five random seeds. The findings show that all optimization algorithms significantly outperformed the default configuration on all three data sets. The largest gain was obtained on the class-imbalanced Indian Pines data set. Overall accuracy rose from 0.5938 to 0.7387 with RUN (about 14.5 percentage points). On Pavia University, accuracy rose from 0.8379 to 0.9118 (AOA/TPE), and on Salinas from 0.8561 to 0.9189 (DMOA), corresponding to 6-7 point gains on both data sets. In the Friedman rank test, RUN (2.77) and TPE (2.83) achieved the best mean ranks, while the default configuration ranked last on every data set (9.00) and was significantly separated from seven of the eight optimized algorithms in the Nemenyi test (only the comparison with GTO was borderline). On average, optimized configurations favored a large hidden layer with ReLU activation. The results show that automatic hyperparameter tuning under a low computational budget is a robust and practical strategy for ELM-based hyperspectral classification.