Derin öğrenme için kitle kaynak tabanlı etiketli veri üretimi ve çok bantlı görüntü sınıflandırma için bir 3d-2d cnn modeli

Uydu görüntülerinin, derin öğrenme ile sınıflandırılmasında yaşanılan en büyük zorluk yeterince etiketli veri bulunamamasıdır. Bu sorunun çözümünde kitle kaynak yaklaşımının kullanılabilirliği araştırılmış ve uygulama ile gösterilmiştir. Kitle kaynak yöntemi, kullanıcıların dinamik yapıda veri üretebileceği şekilde hazırlanan web platformu üzerinden uygulanmıştır. Kullanıcılardan, verilen yardım dokümanı ile istenilen sınıfları içerecek şekilde etiketli veri oluşturmaları istenmiştir. Bu veri setlerinin kontrolü kullanıcılar tarafından sınıflara ait çizilmiş poligonlara verilen puan ile tespit edilmiştir. Toplamda 260262 piksel içeren veri seti hazırlanmıştır. Elde edilen veriler orijinal görüntü ile çakıştırılıp görsel olarak da incelenmiştir. Son olarak bu 40 parça görüntü, başarılı sonuçlar verdiği test edilerek üretilen spektral ve uzamsal yapıda CNN modeli ile sınıflandırılmıştır. Ortalamada genel doğruluk değerlerinin %95 üzeri sonuçlar verdiği tespit edilmiştir. Elde edilen sonuçlar kitle kaynak ile bu problemin çözülebileceğini göstermektedir. Kitle kaynağın sınıflandırma sonrası doğruluk değerlendirmede kullanımı aynı arayüzde sunulan modül vasıtasıyla gerçekleştirilmiştir. Bu amaçla, kullanıcılardan rastgele oluşturulmuş 1000 referans noktası için sınıf değerleri girmeleri istenmiştir. Farklı kullanıcılar tarafından 1000 referans noktasına ait girilen değerler üç kere oluşturularak çoğunluk oylaması yöntemiyle sonuç veri seti elde edilmiştir. Sonuçlar, kitle kaynak ile yüksek uzamsal çözünürlükteki multispektral görüntüler için referans noktalarının üretileceğini göstermektedir.