Derin öğrenme yöntemleri kullanarak hiperspektral imgelerin sınıflandırılmasına yönelik yeni yaklaşımlar
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2017
Tezin Dili: Türkçe
Öğrenci: Hasan Badem
Asıl Danışman (Eş Danışmanlı Tezler İçin): Alper BAŞTÜRK
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Maddeler ışık enerjisini yansıtabilmekte ve çeşitli dalga boyları için farklı farklı yansıma tepkileri üretebilmektedir. Maddelerin bu önemli özelliği, belli bir dalga boyu için verilen yansılamalar aracılığıyla farklı nesnelerin tanımlanabilmesini sağlamaktadır. Hiperspektral görüntüleme teknolojileri yüzlerce dar ve sürekli aralıklandırılmış spektral bantta veri toplayarak, yüksek çözünürlüklü imge verisi sunmaktadır. Hiperspektral görüntüleme sistemlerinin sunduğu verilerin analiz edilmesi ve nesnelerin sınıflandırılması oldukça zahmetli bir takım süreçlerden oluşmaktadır. Hiperspektral imgelerin sınıflandırılmasında olasılıksal ve/veya kernel tabanlı, karar ağaçları, yapay sinir ağları vb. geleneksel yöntemler kullanılmaktadır. Fakat son zamanlarda, kompleks ve büyük çaplı verilerin sınıflandırılmasında oldukça etkili sonuçlar veren derin öğrenme yaklaşımlarının da kullanılmaya başlandığı görülmektedir. Literatürde, derin sinir ağlarının eğitiminde çoğunlukla türev tabanlı optimizasyon yöntemleri kullanılmaktadır. Türev tabanlı yöntemlerin ağın başlangıç şartlarından etkilenme ve yerel minimumlara takılma gibi bazı dezavantajları vardır. Bu tezde, sürü zekası temelli meta-sezgisel yöntemlerin en başarılılarından biri olan yapay arı kolonisi ve L-BFGS algoritmaları kullanılarak hibrit bir optimizasyon algoritması geliştirilmiştir. Derin sinir ağlarının eğitiminde yukarıda bahsi geçen dezavantajları giderebilmek için geliştirilen hibrit optimizasyon algoritmasını temel alan yeni bir eğitim stratejisi önerilmektedir. Önerilen hibrit yapay arı kolonisi temelli eğitim stratejisi (HABCbTS), derin öğrenme yöntemlerinden yığınlanmış özdevinimli kodlayıcı ağına uygulanmıştır. HABCbTS'nin performansı, karşılaştırma için geliştirilen ABCbTS, MABCbTS, L-BFGSbTS (klasik derin sinir ağı eğitimi) ve geleneksel sınıflandırıcılar olan MLP, SVM, KNN, DT ve NB yöntemlerinin performansı ile küçük-orta-büyük boyutlu test veri setleri üzerinden kıyaslanmıştır. Tez çalışmasının ana amacı hiperspektral imge verilerinin sınıflandırılmasında, daha etkili derin öğrenme yaklaşımlarının geliştirilmesidir. Bu amaçla, önerilen HABCbTS'nin performansı, 3 farklı gerçek dünya uzaktan algılama veri seti üzerinden test edilmiştir. Önerilen HABCbTS yönteminin, ABCbTS, MABCbTS, L-BFGSbTS, SVM, KNN, DT ve NB sınıflandırıcılarına göre istatistiksel olarak daha üstün olduğu deneysel sonuçlar ile gösterilmiştir.