Uzaktan algılamada derin öğrenme tabanlı hiperspektral uydu görüntülerinin sınıflandırılması

Hiperspektral uzaktan algılama görüntülerinde (HUAG) sınıflandırma, görüntü analizinde zorlu bir süreçtir ve en popüler konulardan biridir. Son yıllarda, HUAG sınıflandırma problemini çözmek için birçok yöntem önerilmiştir. Geleneksel makine öğrenme yöntemleriyle karşılaştırıldığında, derin öğrenme, özellikle Evrişimsel sinir ağları (ESA), HUAG'lerin sınıflandırılmasında yaygın olarak kullanılmaktadır. ESA'lara dayalı derin öğrenme tabanlı yöntemler, HUAG sınıflandırmasında dikkate değer bir performans sergilemekte ve sınıflandırma teknolojisinin gelişimini büyük ölçüde desteklemektedir. Bu tez çalışmasında, HUAG sınıflandırma için yedi farklı derin öğrenme tabanlı yöntem geliştirilmiştir. İlk çalışmada, 3B evrişim ile 2B derinlemesine ayrılabilir evrişimin birlikte kullanıldığı hibrit bir yöntem önerilmiştir. İkinci çalışmada, uzamsal-spektral özellikleri çıkarabilmek için yeni bir 3B ESA tabanlı yöntem geliştirilmiştir. Üçüncü çalışmada, daha az eğitilebilir parametreye sahip 3B ESA tabanlı LeNet5 yöntemi geliştirilmiştir. Dördüncü çalışmada, 3B ESA ve ResNet18 mimarisi kullanılarak derin uzamsal-spektral özniteliklerin çıkarılması için hibrit bir 3B Residual uzamsal-spektral evrişim ağı önerilmiştir. Beşinci çalışmada, HUAG sınıflandırma problemini çözmek için 3B/2B Complete Inception modülü ve 3B/2B ESA yönteminin birlikte kullanıldığı hibrit bir yöntem önerilmiştir. Önerilen yöntemde Inception modülü ile çoklu evrişim katmanları kullanılarak çok seviyeli öznitelik çıkarımı gerçekleştirilmektedir. Altıncı çalışmada, HUAG sınıflandırma problemi için ESA'nın başarılı örnekleri arasında olan LeNet5, AlexNet, VGG16, GoogleNet ve ResNet50 mimarilerinden yararlanılmaktadır. Bu mimarileri kullanırken 3B ESA tabanlı hibrit bir yaklaşım kullanılmaktadır. Yedinci çalışmada, çok yollu özellik füzyonuna dayalı hibrit 3B-2B derinlemesine ayrılabilir evrişim ağı tabanlı derin öğrenme yöntemi geliştirilmiştir. Önerilen yöntemlerin tamamı sıklıkla kullanılan IP, PU, SA, BO, HL, UH, KUM, son zamanlarda ortaya çıkan WHU-Hi veri setleri üzerinde test edilmiştir. Önerilen yöntemler ile elde edilen sınıflandırma sonuçları, önerilen yöntemlerin son teknoloji yöntemlere göre daha başarılı sınıflandırma performansı sağladığını ortaya koymaktadır.