Hiperspektral görüntülerde derin öğrenme yaklaşımının sınıflandırma başarımı üzerine etkisi

Hiperspektral sensörlerin gelişimiyle beraber hiperspektral görüntüleme uzaktan algılama alanında oldukça ilgi çeken bir konu haline gelmiştir. Görüntülenen yüzey materyallerinden yansıyan enerjinin dar ve bitişik çok sayıda dalga boyunda ölçüm yapılmasını sağlayan hiperspektral görüntüleme, oldukça yüksek boyutta ve birbiriyle ilişkili veri elde edilmesini sağlamaktadır. Bu verilerin saklanması, işlenmesi ve yorumlanması; hesaplama karmaşıklığı ve işlem yükü sebebiyle oldukça zordur. Bu nedenle hiperspektral verilerin sınıflandırılmasında geleneksel olarak ön işlem aşamasında boyut indirgeme yöntemleri uygulanmaktadır. Bununla birlikte geleneksel sınıflandırıcılar ve boyut indirgeme yöntemleri spektral boyutta zorlu bir işlemdir ve ayırt edici özniteliklerin çıkarımında yetersiz kalmaktadır. Aynı zamanda kesin bir sınıflandırıcı ve boyut indirgeme yöntemi seçim yöntemi de bulunmamaktadır. Son yıllarda ise derin öğrenme yöntemleri kullanılarak hiperspektral verilerin alt uzaya indirgenmeden daha gürbüz, uyarlanabilir ve ham verilerden çıkarılan öznitelikler ile sınıflandırılması oldukça dikkat çekici bir yaklaşım olmuştur. Hiperspektral görüntülerin derin öğrenme yöntemlerinden özellikle evrişimsel sinir ağları ile sınıflandırımı umut vadedici sonuçlar sağlamaktadır. Tez kapsamında, yaygın olarak tercih edilen hiperspektral veri setleri kullanılarak uzaysal, spektral ve uzaysal-spektral öznitelikleri kullanan bir boyutlu, iki boyutlu ve üç boyutlu evrişimsel sinir ağları ile sınıflandırma yapılmıştır. Spektral ve uzaysal boyutlardaki özniteliklerin hem ayrı ayrı hem de birlikte kullanımı ile hiperspektral sensörler tarafından sağlanan tüm öznitelikler etkin olarak sınıflandırmaya dahil edilmiştir. Ayrıca yapılan çalışmada, geleneksel sınıflandırma ve konvolüsyonel sinir ağları arasında karşılaştırmalı bir çalışma ve analiz yapılmıştır. Yapılan deneysel çalışmalar ile evrişimsel sinir ağları kullanılarak oldukça yüksek sınıflandırma başarısı elde dilmiştir. Aynı zamanda önerilen konvolüsyonel sinir ağı mimarilerinin, geleneksel yöntemlerden %5 ve %9 oranında daha iyi bir sınıflandırma oranı sağladığı görülmüştür.