Yıl 2019, Cilt 19 , Sayı 3, Sayfalar 669 - 675 2019-12-31

Uzaktan Algılama Görüntülerinin Evrişimsel Sinir Ağları ve Komşuluk Bileşen Analizi Tabanlı Özniteliklerinin Sınıflandırılması
Classification of Remote Sensing Images Based on Convolutional Neural Networks and Neighborhood Component Analysis Features

Fatih Özyurt [1]


Bu çalışmada, WHU-RS19 veri setinden elde edilen uzaktan algılama görüntülerinin sınıflandırması için farklı derin öğrenme modellerinden alınan özniteliklerin komşuluk bileşen analizi ile indirgenip Destek Vektör Makinesi (DVM) ile sınıflandırması yapılmıştır. WHU-RS19 veri setinin görüntüleri ESA modellerinden AlexNet, VGG-16 ve GoogleNet’e girdi olarak verilmiş ve her bir mimarinin son tam bağlı katmanından 1000’er adet öznitelik elde edilmiştir. Ayrıca üç mimariden elde edilen öznitelikler birleştirilerek komşuluk bileşen analizi (KBA) yöntemiyle 1000 özniteliğe indirgenmiştir. Aynı veriyi kullanan diğer çalışmalar ile kıyaslama yapılabilmesi için mevcut verilerin %60 ve %40’ı kullanılarak eğitimi DVM ile gerçekleştirilmiştir. Çalışma kapsamında KBA ile özniteliği indirgenmiş verilerin %60’ı eğitim olarak kullanıldığında %98.75, %40’ı eğitim olarak kullanıldığında ise %97.01 oranında başarım elde edilmiştir. Bu başarım oranları mevcut çalışmalara göre daha üstün performans sağladığı görülmüştür.

In this study, for the classification of the images obtained from the WHU-RS19 dataset, the features obtained from different deep learning models were reduced by neighboring component analysis (NCA) and classified with the Support Vector Machine (SVM). The images of the WHU-RS19 data set were given as input to the CNN models AlexNet, VGG-16 and GoogleNet and 1000 features were obtained from the last fully connected layer of each architecture. Furthermore, the features obtained from the three architectures were combined and reduced to 1000 features by NCA method. In order to make comparisons with other studies that use the same data, 60% and 40% of the existing data were trained with SVM. In the study, when the 60% of the data were used as training 98.75% accuracy obtained. When the 40% of the data were used as training %97.0.1 accuracy obtained. It has been found that superior performance compared to current studies.

Derin Öğrenme, Evrişimsel Sinir Ağı, Destek Vektör Makinesi, Komşuluk Bileşen Analizi
  • Alom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Sidike, P., Nasrin, M. S., ... & Asari, V. K. (2018). The history began from AlexNet: a comprehensive survey on deep learning approaches. arXiv preprint arXiv:1803.01164.
  • Doğantekin, A., Özyurt, F., Avcı, E., & Koç, M. (2019). A novel approach for liver image classification: PH-C-ELM. Measurement, 137,332-338. Doi:https://doi.org/10.1016/j.measurement.2019.01.060
  • Han, J., Zhang, D., Cheng, G., Liu, N., & Xu, D. (2018). Advanced deep-learning techniques for salient and category-specific object detection: a survey. IEEE Signal Processing Magazine, 35(1), 84-100. Doi: 10.1109/MSP.2017.2749125
  • Khan, S., Islam, N., Jan, Z., Din, I. U., & Rodrigues, J. J. C. (2019). A Novel Deep Learning based Framework for the Detection and Classification of Breast Cancer Using Transfer Learning. Pattern Recognition Letters. Doi: https://doi.org/10.1016/j.patrec.2019.03.022
  • Maggiori, E., Tarabalka, Y., Charpiat, G., & Alliez, P. (2017). Can semantic labeling methods generalize to any city? the inria aerial image labeling benchmark. In 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS) (pp. 3226-3229). IEEE. Doi: 10.1109/IGARSS.2017.8127684
  • Özyurt, F, Avcı, E. (2019). İmge Sınıflandırması için Yeni Öznitelik Çıkarım Yöntemi: Add-Tda Algısal Özet Fonksiyonu Tabanlı Evrişimsel Sinir Ağ (Add-Tda-Esa). Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 12 (1), 30-38. Retrieved from http://dergipark.org.tr/tbbmd/issue/44695/464206
  • Özyurt, F., Tuncer, T., Avci, E., Koç, M., & Serhatlioğlu, İ. (2018). A Novel Liver Image Classification Method Using Perceptual Hash-Based Convolutional Neural Network. Arabian Journal for Science and Engineering, 1-10. Doi: https://doi.org/10.1007/s13369-018-3454-1
  • Toğaçar, M., & Ergen, B. (2018). Deep Learning Approach for Classification of Breast Cancer. In 2018 International Conference on Artificial Intelligence and Data Processing (IDAP) (pp. 1-5). IEEE. Doi: 10.1109/IDAP.2018.8620802
  • Toğaçar, M., Ergen, B., & Özyurt, F. (2018, September). Deep Learning Activities On Remote Sensed Hyperspectral Images. In 2018 International Conference on Artificial Intelligence and Data Processing (IDAP) (pp. 1-4). IEEE. Doi: 10.1109/IDAP.2018.8620750.
  • Qassim, H., Verma, A., & Feinzimer, D. (2018). Compressed residual-VGG16 CNN model for big data places image recognition. In 2018 IEEE 8th Annual Computing and Communication Workshop and Conference (CCWC) (pp. 169-175). IEEE. Doi: 10.1109/CCWC.2018.8301729
Birincil Dil tr
Konular Mühendislik
Bölüm Makaleler
Yazarlar

Orcid: 0000-0002-8154-6691
Yazar: Fatih Özyurt (Sorumlu Yazar)
Kurum: FIRAT ÜNİVERSİTESİ
Ülke: Turkey


Tarihler

Başvuru Tarihi : 26 Nisan 2019
Yayımlanma Tarihi : 31 Aralık 2019

Bibtex @araştırma makalesi { akufemubid558311, journal = {Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi}, issn = {}, eissn = {2149-3367}, address = {}, publisher = {Afyon Kocatepe Üniversitesi}, year = {2019}, volume = {19}, pages = {669 - 675}, doi = {}, title = {Uzaktan Algılama Görüntülerinin Evrişimsel Sinir Ağları ve Komşuluk Bileşen Analizi Tabanlı Özniteliklerinin Sınıflandırılması}, key = {cite}, author = {Özyurt, Fatih} }
APA Özyurt, F . (2019). Uzaktan Algılama Görüntülerinin Evrişimsel Sinir Ağları ve Komşuluk Bileşen Analizi Tabanlı Özniteliklerinin Sınıflandırılması. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi , 19 (3) , 669-675 . Retrieved from https://dergipark.org.tr/tr/pub/akufemubid/issue/51083/558311
MLA Özyurt, F . "Uzaktan Algılama Görüntülerinin Evrişimsel Sinir Ağları ve Komşuluk Bileşen Analizi Tabanlı Özniteliklerinin Sınıflandırılması". Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi 19 (2019 ): 669-675 <https://dergipark.org.tr/tr/pub/akufemubid/issue/51083/558311>
Chicago Özyurt, F . "Uzaktan Algılama Görüntülerinin Evrişimsel Sinir Ağları ve Komşuluk Bileşen Analizi Tabanlı Özniteliklerinin Sınıflandırılması". Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi 19 (2019 ): 669-675
RIS TY - JOUR T1 - Uzaktan Algılama Görüntülerinin Evrişimsel Sinir Ağları ve Komşuluk Bileşen Analizi Tabanlı Özniteliklerinin Sınıflandırılması AU - Fatih Özyurt Y1 - 2019 PY - 2019 N1 - DO - T2 - Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi JF - Journal JO - JOR SP - 669 EP - 675 VL - 19 IS - 3 SN - -2149-3367 M3 - UR - Y2 - 2019 ER -
EndNote %0 Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi Uzaktan Algılama Görüntülerinin Evrişimsel Sinir Ağları ve Komşuluk Bileşen Analizi Tabanlı Özniteliklerinin Sınıflandırılması %A Fatih Özyurt %T Uzaktan Algılama Görüntülerinin Evrişimsel Sinir Ağları ve Komşuluk Bileşen Analizi Tabanlı Özniteliklerinin Sınıflandırılması %D 2019 %J Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi %P -2149-3367 %V 19 %N 3 %R %U
ISNAD Özyurt, Fatih . "Uzaktan Algılama Görüntülerinin Evrişimsel Sinir Ağları ve Komşuluk Bileşen Analizi Tabanlı Özniteliklerinin Sınıflandırılması". Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi 19 / 3 (Aralık 2020): 669-675 .
AMA Özyurt F . Uzaktan Algılama Görüntülerinin Evrişimsel Sinir Ağları ve Komşuluk Bileşen Analizi Tabanlı Özniteliklerinin Sınıflandırılması. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi. 2019; 19(3): 669-675.
Vancouver Özyurt F . Uzaktan Algılama Görüntülerinin Evrişimsel Sinir Ağları ve Komşuluk Bileşen Analizi Tabanlı Özniteliklerinin Sınıflandırılması. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi. 2019; 19(3): 675-669.