Evrişimli Sinir Ağı ile Uzaktan Algılamada Hiperspektral Görüntülerin Sınıflandırılması

Makine öğrenmesi ve derin öğrenme yöntemleri, hiperspektral görüntülerin sınıflandırılmasında yüksek bir performans sergileyerek, görüntülerin daha hassas ve etkin bir şekilde sınıflandırılmasına olanak tanımaktadır. Bu çalışmada, hiperspektral görüntü sınıflandırması için 1-D ve 2-D evrişimli sinir ağları teknolojilerinin birleşimini kullanan bir yaklaşım önerilmektedir. Önerilen modelde veri ön işleme olarak temel bileşen analizi kullanılmıştır ve devamında elde edilen veri, mekansal ve spektral olmak üzere ikiye ayrılmıştır. İki güçlü ağ yapısının birleştirilmesi, hiperspektral görüntülerin karmaşıklığını yönetme ve daha etkili ve düşük kaynak tüketimli bir sınıflandırma yeteneği sunmuştur. Hibrit olarak kullanılan evrişimli sinir ağı katmanlarının çıktıları birleştirildikten sonra dikkat mekanizması kullanılarak modelin sınıflandırma başarısı arttırılmıştır. Aşırı öğrenme sorununun çözümü için bir dizi bırakma ve normalizasyon katmanları kullanımının yanı sıra ideal öğrenme oranı değeri 0,001 olarak belirlenmiştir. Önerilen modelin performansı, Indian Pines, Pavia Üniversitesi ve Salinas veri kümelerinde denenmiş ve kappa doğruluk değerleri sırasıyla yaklaşık olarak %97, %99, %99 olarak ölçülmüştür. Önerilen modelin sınıflandırma doğruluğunun, literatürde öne çıkan yöntemlerle elde edilen sonuçlara göre daha üstün olduğu gösterilmiştir.

Machine learning and deep learning methods exhibit high performance in classifying hyperspectral images, enabling more accurate and efficient classification of the images.. In this study, an approach is proposed that utilizes a combination of 1-D and 2-D convolutional neural networks (CNN) technologies for the classification of hyperspectral images. In the proposed model, principal component analysis is used for data preprocessing, and the obtained data is divided into spatial and spectral parts. The proposed model utilizes a combination of 1-D and 2-D CNN technologies. The integration of two powerful network structures has provided the ability to manage the complexity of hyperspectral images and offer a more effective classification capability with lower resource consumption. After combining the outputs of the hybrid CNN layers, the classification success is increased with an attention mechanism. For the solution of the overfitting problem, in addition to the use of a series of dropout and normalization layers, the ideal learning rate value is determined as 0.001. The performance of the proposed model was tested on the Indian Pines, University of Pavia, and Salinas datasets, and the kappa accuracy values were measured as approximately 97%, 99%, and 99%, respectively. The suggested model was compared with well-known approaches introduced in recent years, and it demonstrated superior performance in terms of classification accuracy.