Tez No	İndirme	Tez Künye	Durumu
484339		Derin öğrenme yöntemleri kullanarak hiperspektral imgelerin sınıflandırılmasına yönelik yeni yaklaşımlar / New approaches for hyperspectral image classification using deep learning Yazar:HASAN BADEM Danışman: DOÇ. DR. ALPER BAŞTÜRK Yer Bilgisi: Erciyes Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2017 199 s.
Maddeler ışık enerjisini yansıtabilmekte ve çeşitli dalga boyları için farklı farklı yansıma tepkileri üretebilmektedir. Maddelerin bu önemli özelliği, belli bir dalga boyu için verilen yansılamalar aracılığıyla farklı nesnelerin tanımlanabilmesini sağlamaktadır. Hiperspektral görüntüleme teknolojileri yüzlerce dar ve sürekli aralıklandırılmış spektral bantta veri toplayarak, yüksek çözünürlüklü imge verisi sunmaktadır. Hiperspektral görüntüleme sistemlerinin sunduğu verilerin analiz edilmesi ve nesnelerin sınıflandırılması oldukça zahmetli bir takım süreçlerden oluşmaktadır. Hiperspektral imgelerin sınıflandırılmasında olasılıksal ve/veya kernel tabanlı, karar ağaçları, yapay sinir ağları vb. geleneksel yöntemler kullanılmaktadır. Fakat son zamanlarda, kompleks ve büyük çaplı verilerin sınıflandırılmasında oldukça etkili sonuçlar veren derin öğrenme yaklaşımlarının da kullanılmaya başlandığı görülmektedir. Literatürde, derin sinir ağlarının eğitiminde çoğunlukla türev tabanlı optimizasyon yöntemleri kullanılmaktadır. Türev tabanlı yöntemlerin ağın başlangıç şartlarından etkilenme ve yerel minimumlara takılma gibi bazı dezavantajları vardır. Bu tezde, sürü zekası temelli meta-sezgisel yöntemlerin en başarılılarından biri olan yapay arı kolonisi ve L-BFGS algoritmaları kullanılarak hibrit bir optimizasyon algoritması geliştirilmiştir. Derin sinir ağlarının eğitiminde yukarıda bahsi geçen dezavantajları giderebilmek için geliştirilen hibrit optimizasyon algoritmasını temel alan yeni bir eğitim stratejisi önerilmektedir. Önerilen hibrit yapay arı kolonisi temelli eğitim stratejisi (HABCbTS), derin öğrenme yöntemlerinden yığınlanmış özdevinimli kodlayıcı ağına uygulanmıştır. HABCbTS'nin performansı, karşılaştırma için geliştirilen ABCbTS, MABCbTS, L-BFGSbTS (klasik derin sinir ağı eğitimi) ve geleneksel sınıflandırıcılar olan MLP, SVM, KNN, DT ve NB yöntemlerinin performansı ile küçük-orta-büyük boyutlu test veri setleri üzerinden kıyaslanmıştır. Tez çalışmasının ana amacı hiperspektral imge verilerinin sınıflandırılmasında, daha etkili derin öğrenme yaklaşımlarının geliştirilmesidir. Bu amaçla, önerilen HABCbTS'nin performansı, 3 farklı gerçek dünya uzaktan algılama veri seti üzerinden test edilmiştir. Önerilen HABCbTS yönteminin, ABCbTS, MABCbTS, L-BFGSbTS, SVM, KNN, DT ve NB sınıflandırıcılarına göre istatistiksel olarak daha üstün olduğu deneysel sonuçlar ile gösterilmiştir.
The materials can reflect the light energy and produce different responses for various wavelengths. This important property of the matters allows us to separate distinct objects by means of their responses for a given wavelength. Hyperspectral imaging technologies offer high resolution image data by obtaining information from hundreds of narrow and continuously spaced spectral frequency bands. The analysis of data provided by hyperspectral imaging systems and the classification of objects through this data need very onerous processes. The conventional methods, including probabilistic and/or kernel-based techniques, decision trees, artificial neural networks etc. are generally used for classification of hyperspectral images. Recently, however, deep learning approaches, which yield highly effective results in the classification of complex and big data, has begun to be used for classification of hyperspectral images. Derivative-based optimization methods are mostly used techniques for the training of deep neural networks in the literature. These methods have some disadvantages such as influenced by the initial conditions and getting trapped at local minima. In this thesis, a hybrid optimization algorithm has been developed by using artificial bee colony algorithm, which is one of the most successful methods of swarm intelligence based meta-heuristic methods, and L-BFGS algorithm. A new training strategy based on this hybrid optimization algorithm is employed to train deep neural networks for eliminating the disadvantages in the process mentioned above. The proposed hybrid artificial bee colony based training strategy (HABCBTS) has been applied to stacked autoencoder network which is a deep learning method. The performance of HABCbTS is compared with the performances of other developed methods including ABCbTS, MABCbTS and L-BFGSbTS (general training method of deep neural network) as well as compared with the performances of traditional classifiers, including MLP, SVM, KNN, DT and NB over small-medium-large data sets. The main aim of this thesis is to develop deep learning approaches which are more effective in classifying hyperspectral images. For this purpose, the performance of the proposed HABCbTS has been tested over 3 different real-world remote sensing data sets. Experimental results with statistical analysis show that the proposed HABCbTS outperforms the competing methods ABCbTS, MABCbTS, L-BFGSbTS, SVM, KNN, DT and NB classifiers.