A COMPARATIVE STUDY FOR HYPERSPECTRAL DATA CLASSIFICATION WITH DEEP LEARNING AND DIMENSIONALITY REDUCTION TECHNIQUES

Basit Öğe Kaydı
dc.authorid0000-0003-1228-9852en_US
dc.contributor.authorOrtaç, Gizem
dc.contributor.authorÖzcan, Gıyasettin
dc.date.accessioned2021-03-20T20:30:53Z
dc.date.available2021-03-20T20:30:53Z
dc.date.issued2018
dc.departmentBTÜ, Araştırma Merkezleri, Uzaktan Eğitim Uygulama ve Araştırma Merkezien_US
dc.description.abstractIn recent years, hyperspectral imaging has been a popular subject in the remote sensing community by providing a rich amount of information for each pixel about fields. In general, dimensionality reduction techniques are utilized before classification in statistical pattern-classification to handle high-dimensional and highly correlated feature spaces. However, traditional classifiers and dimensionality reduction methods are difficult tasks in the spectral domain and cannot extract discriminative features. Recently, deep convolutional neural networks are proposed to classify hyperspectral images directly in the spectral domain. In this paper, we present comparative study among traditional data reduction techniques and convolutional neural network. The obtained results on hyperspectral image data sets show that our proposed CNN architecture improves the accuracy rates for classification performance, when compared to traditional methods by increasing the classification accuracy rate by 3% and 6%.en_US
dc.description.abstract;Son yıllarda, hiperspektral görüntüleme yüzey pikselleri ile ilgili zengin miktarda bilgi sağlamasıyla uzaktan algılama alanında popüler bir konu olmuştur. Genel olarak, elde edilen yüksek boyutlu ve ilişkisel veriyi işlemek için, sınıflandırmadan önce boyut indirgeme teknikleri uygulanmaktadır. Bununla birlikte geleneksel sınıflandırıcılar ve boyut azaltma yöntemleri, spektral alanda hala zorlu bir işlemdir ve ayırt edici öznitelikler çıkarmaz. Son zamanlarda ise derin konvolüsyonel sinir ağları, hiperspektral görüntüleri doğrudan spektral alanda sınıflandırmak için geliştirilmiştir. Önerilen çalışmada, geleneksel sınıflandırma ve konvolüsyonel sinir ağları arasında karşılaştırmalı bir çalışma ve analiz yapılmıştır. Çeşitli hiperspektral görüntü verilerine dayanarak elde edilen sonuçlar, önerilen konvolüsyonel sinir ağının, geleneksel yöntemlerden %3 ve %6 oranında daha iyi bir sınıflandırma oranı sağladığını göstermiştir.en_US
dc.identifier.doi10.17482/uumfd.435723en_US
dc.identifier.endpage90en_US
dc.identifier.issn2148-4147
dc.identifier.issn2148-4155
dc.identifier.issue3en_US
dc.identifier.startpage73en_US
dc.identifier.urihttp://doi.org/10.17482/uumfd.435723
dc.identifier.urihttps://app.trdizin.gov.tr/makale/TXpJeE16VXlNZz09
dc.identifier.urihttps://hdl.handle.net/20.500.12885/1532
dc.identifier.volume23en_US
dc.indekslendigikaynakTR-Dizinen_US
dc.institutionauthorOrtaç, Gizem
dc.language.isoenen_US
dc.relation.ispartofUludağ Üniversitesi Mühendislik Fakültesi Dergisien_US
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanıen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectBilgisayar Bilimleri, Bilgi Sistemlerien_US
dc.subjectBilgisayar Bilimleri, Yazılım Mühendisliğien_US
dc.subjectMühendislik, Kimyaen_US
dc.subjectİnşaat Mühendisliğien_US
dc.subjectMühendislik, Elektrik ve Elektroniken_US
dc.subjectÇevre Mühendisliğien_US
dc.subjectMühendislik, Jeolojien_US
dc.subjectEndüstri Mühendisliğien_US
dc.subjectİmalat Mühendisliğien_US
dc.subjectMühendislik, Makineen_US
dc.subjectMalzeme Bilimleri, Özellik ve Testen_US
dc.subjectMetalürji Mühendisliğien_US
dc.titleA COMPARATIVE STUDY FOR HYPERSPECTRAL DATA CLASSIFICATION WITH DEEP LEARNING AND DIMENSIONALITY REDUCTION TECHNIQUESen_US
dc.title.alternative;Hiperspektral Verilerin Sınıflandırmasında Derin Öğrenme ve Boyut İndirgeme Tekniklerinin Karşılaştırılmasıen_US
dc.typeArticleen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
10.17482-uumfd.435723-562049.pdf
Boyut:
1.22 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Tam Metin / Full Text
İndir

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu
Uzaktan Eğitim Uygulama ve Araştırma Merkezi Yayın Koleksiyonu