4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı

Hüseyin Fırat; Davut Hanbay

doi:10.17341/gazimmfd.901291

4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı

Öz

Hiperspektral görüntüler, uzaktan algılama uygulamalarında yaygın olarak kullanılan bitişik bant görüntüleridir. Derin öğrenme hiperspektral görüntü sınıflandırmasını iyileştirmek için kullanılan etkili bir yöntemdir. Evrişimli sinir ağları ise hiperspektral görüntü sınıflandırma alanında başarıyla kullanılan derin öğrenme yöntemlerinden biridir. Spektral, uzamsal veya spektral uzamsal alanlardan hiperspektral görüntülerin daha soyut özelliklerini öğrenebilen otomatik yaklaşımlar sağlamaktadır. Hiperspektral görüntülerin yüksek boyutsallığı hesaplama karmaşıklığını arttırmaktadır. Bu nedenle, geliştirilen evrişimli sinir ağ modellerinin çoğu, bir ön işleme adımı olarak boyut indirgeme gerçekleştirmektedir. Hiperspektral görüntü sınıflandırmasındaki diğer bir problem ise, doğru sonuçlar elde etmek için hem uzamsal hem de spektral özelliklerin dikkate alınması gerekliliğidir. Çünkü, hiperspektral görüntü sınıflandırma performansı büyük ölçüde hem spektral hem de uzamsal bilgilere bağlıdır. Bu çalışmada, hiperspektral görüntü sınıflandırması için yeni bir 3B evrişimli sinir ağı modeli önerilmiştir. Önerilen yöntem, hiperspektral görüntülerdeki spektral-uzamsal özellikleri eşzamanlı olarak çıkarmak için basit ve etkili bir yöntem sağlamaktadır. Ağ, giriş verileri olarak 3B hiperspektral küpü kullanmaktadır. Hiperspektral küpteki boyutsal fazlalığı gidermek için temel bileşen analizi ile boyut indirgeme yapılmaktadır. Daha sonra komşuluk çıkarımı kullanılarak, spektral uzamsal özellikler etkin bir şekilde çıkarılmaktadır. Önerilen yöntem indian pines, pavia üniversitesi, salinas ve kennedy uzay merkezi veri setleri ile test edilmiştir. Deneysel çalışmalar sonucunda, indian pines için %99,93, pavia üniversitesi için %99,99, salinas için %100 ve kennedy uzay merkezi için ise %99,81 genel doğruluk sonuçları elde edilmiştir. Sonuçlar, 7 farklı derin öğrenme tabanlı yöntemle karşılaştırılmıştır. Deneysel sonuçlardan, 4CF-Net yöntemimizin daha iyi performans gösterdiği görülmektedir.

Anahtar Kelimeler

Kaynakça

1. Dou P. and Zeng C., Hyperspectral image classification using feature relations map learning, Remote Sens., 12(18), 2020.
2. Jia J., Wang Y., Chen J., Guo R., Shu R., and Wang J., Status and application of advanced airborne hyperspectral imaging technology: A review, Infrared Phys. Technol., 104, 103-115, 2020.
3. Sun H., Ren J., Zhao H., Yan Y., Zabalza J., and Marshall S., Superpixel based feature specific sparse representation for spectral-spatial classification of hyperspectral images, Remote Sens., 11(5), 2019.
4. Audebert N., Le Saux B., and Lefèvre S., Deep learning for classification of hyperspectral data: A comparative review, arXiv, 2019.
5. Yang D. and Bao W., Group Lasso-Based Band Selection for Hyperspectral Image Classification, IEEE Geosci. Remote Sens. Lett., 14(12), 2438–2442, 2017.
6. Kang X., Duan P., and Li S., Hyperspectral image visualization with edge-preserving filtering and principal component analysis, Inf. Fusion, 57, 130–143, 2020.
7. Xu H., Zhang H., He W., and Zhang L., Superpixel-based spatial-spectral dimension reduction for hyperspectral imagery classification, Neurocomputing, 360, 138–150, 2019.
8. Hanbay K., Hyperspectral image classification using convolutional neural network and two-dimensional complex Gabor transform, Journal of the Faculty of Engineering and Architecture of Gazi University, 35(1), 443–456, 2020.

9. Ahmad M. et al., Spatial prior fuzziness pool-based interactive classification of hyperspectral images, Remote Sens., 11(9), 1–19, 2019.
10. Wang Y., Yu W., and Fang Z., Multiple Kernel-based SVM classification of hyperspectral images by combining spectral, spatial, and semantic information, Remote Sens., 12(1), 2020.
11. Alcolea A., Paoletti M. E., Haut J. M., Resano J., and Plaza A., Inference in supervised spectral classifiers for on-board hyperspectral imaging: An overview, Remote Sens., 12(3), 1–29, 2020.
12. Li Y., Zhang H., and Shen Q., Spectral-spatial classification of hyperspectral imagery with 3D convolutional neural network, Remote Sens., 9(1), 2017.
13. Ahmad M., Khan A. M., Mazzara M., Distefano S., Ali M., and Sarfraz M.S., A Fast and Compact 3-D CNN for Hyperspectral Image Classification, IEEE Geosci. Remote Sens. Lett., 1–5, 2020.
14. Mohan A. and Venkatesan M., HybridCNN based hyperspectral image classification using multiscale spatiospectral features, Infrared Phys. Technol., 108, 2020.
15. Zhao C., Wan X., Zhao G., Cui B., Liu W., and Qi B., Spectral-Spatial Classification of Hyperspectral Imagery Based on Stacked Sparse Autoencoder and Random Forest, Eur. J. Remote Sens., 50(1), 47–63, 2017.
16. ChenY., Lin Z., Zhao X., Wang G., and Gu Y., Deep learning-based classification of hyperspectral data, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 7(6),2094–2107, 2014.
17. Mughees A. and Tao L., Efficient deep auto-encoder learning for the classification of hyperspectral images, 2016 International Conference on Virtual Reality and Visualization, ICVRV 2016, Hangzhou-China, 44–51, 24-26 September, 2016.
18. Ma X., Geng J., and Wang H., Hyperspectral image classification via contextual deep learning, Eurasip J. Image Video Process., 2015(1), 2015.
19. Chen Y., Zhao X., and Jia X., Spectral-Spatial Classification of Hyperspectral Data Based on Deep Belief Network, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 8(6), 2381–2392, 2015.
20. Li J., Xi B., Li Y., Du Q., and Wang K., Hyperspectral classification based on texture feature enhancement and deep belief networks, Remote Sens., 10(3), 2018.
21. Chen C. et al., Hyperspectral classification based on spectral–spatial convolutional neural networks, Eng. Appl. Artif. Intell., 68, 165–171, 2018.
22. Roy S. K., Krishna G., Dubey S. R., and Chaudhuri B. B., HybridSN: Exploring 3D-2D CNN Feature Hierarchy for Hyperspectral Image Classification, arXiv, 17(2), 277–281, 2019.
23. Zhong Z., Li J., Luo Z., and Chapman M., Spectral-Spatial Residual Network for Hyperspectral Image Classification: A 3-D Deep Learning Framework, IEEE Trans. Geosci. Remote Sens., 56(2), 847–858, 2018.
24. Song L., Li W., Fang S., Hyperspectral Image Classification with Deep Feature Fusion Network, IEEE Trans. Geosci. Remote Sens., 99, 3173–3184, 2018.
25. Meng Z., Li L., Tang X., Feng Z., Jiao L., and Liang M., Multipath residual network for spectral-spatial hyperspectral image classification, Remote Sens., 11(16),1–19, 2019.
26. Mu C., Guo Z., and Liu Y., A multi-scale and multi-level spectral-spatial feature fusion network for hyperspectral image classification, Remote Sens., 12(1), 2020.
27. Paoletti M. E., Haut J. M., Plaza J., and Plaza A., A new deep convolutional neural network for fast hyperspectral image classification, ISPRS J. Photogramm. Remote Sens., 145, 120–147, 2018.
28. Li S., Song W., Fang L., Chen Y., Ghamisi P., and Benediktsson J. A., Deep Learning for Hyperspectral Image Classification: An Overview, arXiv, 57(9), 6690–6709, 2019.
29. Huang L. and Chen Y., Dual-Path Siamese CNN for Hyperspectral Image Classification With Limited Training Samples, IEEE Geosci. Remote Sens. Lett., 18(3), 1–5, 2020.
30. Chen P., Jiang Y., Li H., Jia C., Ghamisi X., Deep feature extraction and classification of hyperspectral images based on convolutional neural networks, IEEE Trans. Geosci. Remote Sens., 54(10), 6232–6251, 2016.
31. Zhang Y., Jiang X., Wang X., and Cai Z., Spectral-spatial hyperspectral image classification with superpixel pattern and extreme learning machine, Remote Sens., 11(17), 2019.
32. Appice A. and Malerba D., Segmentation-aided classification of hyperspectral data using spatial dependency of spectral bands, ISPRS J. Photogramm. Remote Sens., 147, 215–231, 2019.
33. Uddin M. P., Al Mamun M., and Hossain M. A., PCA-based Feature Reduction for Hyperspectral Remote Sensing Image Classification, IETE Tech. Rev. (Institution Electron. Telecommun. Eng. India), 1–21, 2020.
34. Grupo De Inteligencia Computacional (GIC), Hyperspectral Remote Sensing Scenes, http://www.ehu.eus/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes. Erişim tarihi Mart 17, 2021.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Hüseyin Fırat ^*
0000-0002-1257-8518
Türkiye

Davut Hanbay
0000-0003-2271-7865
Türkiye

Yayımlanma Tarihi

10 Kasım 2021

Gönderilme Tarihi

22 Mart 2021

Kabul Tarihi

18 Haziran 2021

Yayımlandığı Sayı

Yıl 2022 Cilt: 37 Sayı: 1

DOI

https://doi.org/10.17341/gazimmfd.901291

IZ

https://izlik.org/JA95RN87DJ

Kaynak Göster

RIS / Bibtex

APA

Fırat, H., & Hanbay, D. (2021). 4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37(1), 439-454. https://doi.org/10.17341/gazimmfd.901291

AMA

1.Fırat H, Hanbay D. 4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı. GUMMFD. 2021;37(1):439-454. doi:10.17341/gazimmfd.901291

Chicago

Fırat, Hüseyin, ve Davut Hanbay. 2021. “4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37 (1): 439-54. https://doi.org/10.17341/gazimmfd.901291.

EndNote

Fırat H, Hanbay D (01 Kasım 2021) 4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37 1 439–454.

IEEE

[1]H. Fırat ve D. Hanbay, “4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı”, GUMMFD, c. 37, sy 1, ss. 439–454, Kas. 2021, doi: 10.17341/gazimmfd.901291.

ISNAD

Fırat, Hüseyin - Hanbay, Davut. “4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37/1 (01 Kasım 2021): 439-454. https://doi.org/10.17341/gazimmfd.901291.

JAMA

1.Fırat H, Hanbay D. 4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı. GUMMFD. 2021;37:439–454.

MLA

Fırat, Hüseyin, ve Davut Hanbay. “4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 37, sy 1, Kasım 2021, ss. 439-54, doi:10.17341/gazimmfd.901291.

Vancouver

1.Hüseyin Fırat, Davut Hanbay. 4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı. GUMMFD. 01 Kasım 2021;37(1):439-54. doi:10.17341/gazimmfd.901291

Cited By

Hybrid 3D Convolution and 2D Depthwise Separable Convolution Neural Network for Hyperspectral Image Classification

Balkan Journal of Electrical and Computer Engineering

https://doi.org/10.17694/bajece.1039029

Depthwise Separable Convolution Based Residual Network Architecture for Hyperspectral Image Classification

Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji

https://doi.org/10.29109/gujsc.1055942

Hybrid 3D/2D Complete Inception Module and Convolutional Neural Network for Hyperspectral Remote Sensing Image Classification

Neural Processing Letters

https://doi.org/10.1007/s11063-022-10929-z

Hyperspectral image classification method based on squeeze-and-excitation networks, depthwise separable convolution and multibranch feature fusion

Earth Science Informatics

https://doi.org/10.1007/s12145-023-00982-0

Classification of hyperspectral remote sensing images using different dimension reduction methods with 3D/2D CNN

Remote Sensing Applications: Society and Environment

https://doi.org/10.1016/j.rsase.2022.100694

Swin-MFINet: Swin transformer based multi-feature integration network for detection of pixel-level surface defects

Expert Systems with Applications

https://doi.org/10.1016/j.eswa.2022.118269

4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı

4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Hybrid 3D Convolution and 2D Depthwise Separable Convolution Neural Network for Hyperspectral Image Classification

Depthwise Separable Convolution Based Residual Network Architecture for Hyperspectral Image Classification

Hybrid 3D/2D Complete Inception Module and Convolutional Neural Network for Hyperspectral Remote Sensing Image Classification

Multi-dimensional feature extraction-based deep encoder–decoder network for automatic surface defect detection

3D residual spatial–spectral convolution network for hyperspectral remote sensing image classification

Multipath feature fusion for hyperspectral image classification based on hybrid 3D/2D CNN and squeeze-excitation network

Hyperspectral image classification method based on squeeze-and-excitation networks, depthwise separable convolution and multibranch feature fusion

Classification of hyperspectral remote sensing images using different dimension reduction methods with 3D/2D CNN

Swin-MFINet: Swin transformer based multi-feature integration network for detection of pixel-level surface defects