Tez No	İndirme	Tez Künye	Durumu
467708		Topluluk öğrenmeli destek vektör veri tanımlaması yöntemi ile hiperspektral görüntülerin sınıflandırılması / Hyperspectral image classification based on ensemble support vector data description method Yazar:FARUK ŞÜKRÜ USLU Danışman: PROF. DR. HERMAN SEDEF Yer Bilgisi: Yıldız Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı / Haberleşme Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:	Onaylandı Doktora Türkçe 2017 89 s.
Hiperspektral görüntüleme (HSG) son yıllarda hızla gelişen en önemli uzaktan algılama tekniklerinden birisi haline gelmiştir. HSG, malzeme ile ilgili çok büyük miktarda spektral veri elde ederek sınıflandırma, anomali ve hedef tespiti gibi birçok alanda kullanılmasını sağlar. Ancak, hiperspektral sınıflandırma ve hedef tespitinde en önemli problemlerden birisi hesaplama sürecindeki büyük miktardaki veriyi değerlendirmektir. Bu tür problemleri aşabilmek için, veri dağılımı ile ilgili herhangi bir varsayım (hesaplama) yapmaya ihtiyaç duymayan parametrik olmayan sınır betimlemeli sınıflandırma metodları tercih edilmektedir. Bu yöntemler ayrıca veriyi yüksek boyutlu özellik uzayına taşıyarak verinin doğrusal bir dağılım göstermesini sağlayan çekirdek foksiyonlarını kullanma avantajına da sahiptirler. Sınır betimlemeli tek sınıf sınıflandırıcılar (TSS) görüntüdeki arka planla ilgili herhangi bir bilgiye sahip olunmayan hedef tespiti ve sınıflandırma problemleri için giderek daha popüler hale gelmektedir. Bu sınıflandırıcılardan birisi, Destek Vektör Makinası (DVM)'dan ilham alınarak son zamanlarda geliştirilen Destek Vektör Veri Tanımlaması (DVVT) yöntemidir. Bu yöntem, hedef sınıfa ait veriyi çevreleyen minimum hiperküre modeli oluşturur. Sınır betimlemeli TSS'lar HSG uygulamaları için çok uygun yöntemler olmalarına karşın, yanlızca hedef'e ait bilgi ile az sayıda eğitim örneğinin olması performanslarının düşmesine neden olabilmektedir. Son zamanlarda, topluluk öğrenme yöntemleri makina öğrenmesi alanında daha doğru ve kararlı sınıflandırıcıların oluşturulmasında kullanılmaktadır. Bu yöntemin amacı çoklu sınıflandırıcılar oluşturup onların tahminlerini birleştirerek nihai sonucu almaktır. Ancak, TSS'larda etkin bir topluluk öğrenme yöntemi oluşturmak hala zorlu bir konu olarak kalmıştır. Çeşitlilik ve veri birleştirme bu yöntemde dikkate alınması gereken iki kritik konu olarak öne çıkmaktadır. Literatürde özellikle çeşitlilikle ilgili olarak, çeşitliliği yüksek olan sınıflandırıcılara sahip topluluk öğrenme yöntemlerinin sınıflandırma performansını genellikle arttığı belirtilmektedir. Bu tezin ana amacı TSS'ların HSG sınıflandırma ve hedef tespiti performanslarının önerilecek etkili topluluk öğrenme yöntemleri ile geliştirmesidir. Ayrıca, önerilen yöntemlerle küçük örnek sayısı (KÖS) koşullarında da Hughes etkisini kaldıracak iyi sonuçların alınması hedeflenmiştir. Bu hedefleri elde etmek için, veri birleştirme safhasında kullanılan ağırlık verme ve sınıflandırıcı seçme yöntemleri önerilmiş. Ayrıca, yeni bir çeşitlilik (farklılık) metriği önerilmiş ve sınıflandırıcılar arasındaki çeşitlilik artırılarak daha iyi bir topluluk öğrenme yöntemi oluşturulması hedeflenmiştir. Önerilen bu metrik ve metodlar farklı algılayıcılardan elde edilmiş iyi bilinen beş adet HS veri seti üzerinde uygulanmıştır. Sonuçlar farklı eğitim örnek sayıları ile klasik TSS ve bilinen çeşitlilik metrikleri ile kıyaslanmış ve analiz edilmiştir. Yapılan deneysel sonuçlar önerilen metrik ve yöntemlerin HS sınıflandırma ve hedef tespit performansını artırmak için yetenekli olduğunu ve KÖS koşullarında da oldukça iyi olduğunu göstermiştir.
Hyperspectral imaging (HSI) has been a very flourishing remote sensing technique in recent years. It provides huge amount of spectral information of materials for different purposes such as anomaly, target detection and classification. However, one of the important concerns in HS classification and target detection is the huge amount of data that must be tackled in computational processing. Non-parametric boundary classification techniques are preferred methods to combat this problem, because they don't need to make any assumptions regarding the data distribution. They also have the andvantage of using kernel functions which map the data in higher dimension to make the data exhibit linear patterns. Boundary based one-class classification (OCC) has become increasingly popular for data classification and target detection problem in which there is no information of non-target (negative) data. As an OCC, support vector data description (SVDD) has recently developed method which is inspired by the support vector machine (SVM). It defines a model to construct a closed boundary around the target samples within a minimum hypersphere. Although boundary based OCCs have been shown to be more convenient in HSI applications, the performance of them can be decreased because of having only the information of target class especially in target detection problem and big data with small sample sizes (SSS). In recent years, ensemble methods have been utilized in machine learning area to compose more accurate and stable classifiers. The idea of ensemble learning is to employ multiple classifiers and combine their predictions to get final result. However, providing efficient ensemble method for OCC has still remained as a challenging issue. Diversity and data fusion are two critical issues which has to be taken into account for ensemble efficiency. Especially for the diversity, it is stated in the literature that having diverse classifiers is generally increases the performance of ensemble. The major objective of this thesis is to improve OCCs' performance on HSI classification and target detection problem via proposing efficient ensemble learning techniques. We have also aim to have better results in a small training sample sizes condition to get rid of hughes effects. To achieve these aims, we have proposed new weighting and selection techniques during data fusion process. Moreover, we have offered a new diversity metric to increase diversity to get more better ensemble. Emprical studies have performed for proposed metric and methods by using five well-known hyperspectral datasets which were captured by different sensors. Comparison and analysis against single OCC and benchmarking diversity metrics (for comparison with our proposed new metric) has been done in different sample sizes. The experimental results demonstrate that the proposed metric and methods are talented for increasing performance of classification and target detection problem in HSI and very good at in condition of small sample sizes.