Evrişimli Sinir Ağı ile Uzaktan Algılamada Hiperspektral Görüntülerin Sınıflandırılması

Abstract

Makine öğrenmesi ve derin öğrenme yöntemleri, hiperspektral görüntülerin sınıflandırılmasında yüksek bir performans sergileyerek, görüntülerin daha hassas ve etkin bir şekilde sınıflandırılmasına olanak tanımaktadır. Bu çalışmada, hiperspektral görüntü sınıflandırması için 1-D ve 2-D evrişimli sinir ağları teknolojilerinin birleşimini kullanan bir yaklaşım önerilmektedir. Önerilen modelde veri ön işleme olarak temel bileşen analizi kullanılmıştır ve devamında elde edilen veri, mekansal ve spektral olmak üzere ikiye ayrılmıştır. İki güçlü ağ yapısının birleştirilmesi, hiperspektral görüntülerin karmaşıklığını yönetme ve daha etkili ve düşük kaynak tüketimli bir sınıflandırma yeteneği sunmuştur. Hibrit olarak kullanılan evrişimli sinir ağı katmanlarının çıktıları birleştirildikten sonra dikkat mekanizması kullanılarak modelin sınıflandırma başarısı arttırılmıştır. Aşırı öğrenme sorununun çözümü için bir dizi bırakma ve normalizasyon katmanları kullanımının yanı sıra ideal öğrenme oranı değeri 0,001 olarak belirlenmiştir. Önerilen modelin performansı, Indian Pines, Pavia Üniversitesi ve Salinas veri kümelerinde denenmiş ve kappa doğruluk değerleri sırasıyla yaklaşık olarak %97, %99, %99 olarak ölçülmüştür. Önerilen modelin sınıflandırma doğruluğunun, literatürde öne çıkan yöntemlerle elde edilen sonuçlara göre daha üstün olduğu gösterilmiştir.