Uzaktan algılama görüntülerinin evrişimsel sinir ağları ve komşuluk bileşen analizi tabanlı özniteliklerinin sınıflandırılması

Abstract

Bu çalışmada, WHU-RS19 veri setinden elde edilen uzaktan algılama görüntülerinin sınıflandırması için farklı derin öğrenme modellerinden alınan özniteliklerin komşuluk bileşen analizi ile indirgenip Destek Vektör Makinesi (DVM) ile sınıflandırması yapılmıştır. WHU-RS19 veri setinin görüntüleri ESA modellerinden AlexNet, VGG-16 ve GoogleNet’e girdi olarak verilmiş ve her bir mimarinin son tam bağlı katmanından 1000’er adet öznitelik elde edilmiştir. Ayrıca üç mimariden elde edilen öznitelikler birleştirilerek komşuluk bileşen analizi (KBA) yöntemiyle 1000 özniteliğe indirgenmiştir. Aynı veriyi kullanan diğer çalışmalar ile kıyaslama yapılabilmesi için mevcut verilerin %60 ve %40’ı kullanılarak eğitimi DVM ile gerçekleştirilmiştir. Çalışma kapsamında KBA ile özniteliği indirgenmiş verilerin %60’ı eğitim olarak kullanıldığında %98.75, %40’ı eğitim olarak kullanıldığında ise %97.01 oranında başarım elde edilmiştir. Bu başarım oranları mevcut çalışmalara göre daha üstün performans sağladığı görülmüştür.

In this study, for the classification of the images obtained from the WHU-RS19 dataset, the features obtained from different deep learning models were reduced by neighboring component analysis (NCA) and classified with the Support Vector Machine (SVM). The images of the WHU-RS19 data set were given as input to the CNN models AlexNet, VGG-16 and GoogleNet and 1000 features were obtained from the last fully connected layer of each architecture. Furthermore, the features obtained from the three architectures were combined and reduced to 1000 features by NCA method. In order to make comparisons with other studies that use the same data, 60% and 40% of the existing data were trained with SVM. In the study, when the 60% of the data were used as training 98.75% accuracy obtained. When the 40% of the data were used as training %97.0.1 accuracy obtained. It has been found that superior performance compared to current studies.