Uzaktan algılanmış verilerin derin öğrenme yöntemiyle sınıflandırılması

Abstract

Teknolojinin gelişmesine paralel olarak uzaktan algılama uygulamaları sayesinde yeryüzünden daha fazla bilgi çıkarımı yapılabilmekte ve bu yolla elde edilen veriler insan faktörü minimize edilerek daha kısa sürede analiz edilebilmektedir. Bu noktada, makine öğrenmesi popüler bir veri işleme ve veri analizi olarak ön plana çıkmaktadır. Günümüzde özellikle makine öğrenmesinin bir alt kolu olarak ifade edilen derin öğrenme; ses tanıma, görüntü işleme, sınıflandırma ve obje tespiti gibi birçok alanda yaygın olarak kullanılmaktadır. Tez kapsamında uzaktan algılanmış hiperspektral görüntülerin derin öğrenme algoritmaları ile sınıflandırılması detaylı olarak incelenmiş ve analiz edilmiştir. İlk aşamada, görüntü sınıflandırması için farklı sayıda örneklemlerle elde edilen eğitim, test ve doğrulama veri setleri oluşturulmuştur. Ardından, bir derin öğrenme algoritması olan evrişimsel sinir ağları ile 1, 2 ve 3 boyutlu eğitim modelleri oluşturulmuştur. Elde edilen modeller kullanılarak tematik haritalar üretilmiş ve bu haritaların doğrulukları karşılaştırılmıştır. Yapılan analizler sonucunda 3 boyutlu derin öğrenme modeli ile üretilen tematik haritaların doğruluklarının en yüksek değere sahip oldukları tespit edilmiştir. İkinci uygulamada, eğitim veri setleri farklı görüntü parçacıkları (15x15, 21x21 ve 27x27) kullanılarak oluşturulmuştur. Bu veri setleri, daha önceden oluşturulmuş 2 boyutlu ve 3 boyutlu derin öğrenme modelleri kullanılarak değerlendirilmiş ve tematik haritalar üretilmiştir. Eğitim veri seti boyutunun, tematik haritaların doğruluğunu önemli derecede etkilediği görülmüştür. Ayrıca, farklı sayıda örneklem içeren veri setleri ile üretilmiş haritaların doğruluklarının istatistiksel olarak anlamlılığını tespit etmek amacıyla McNemar testi uygulanmıştır. Tez kapsamında ele alınan son uygulamada ise bir derin öğrenme modelinin optimizasyonu ve ağ yapısını oluşturan parametreler incelenmiştir. Optimizasyon için kullanılan başarım iyileştirme algoritmaları kapsamında erken durdurma, düğüm seyreltme, standart başarım iyileştirme ve yığın normalizasyonu yaklaşımlarının modelin doğruluğuna olan etkisi incelenmiştir.Parallel to the development of technology and thanks to remote sensing applications, it is possible to extract more information from the Earth and the big data obtained can be analyzed in a shorter time without the human interaction. At this point, machine learning comes forward as a popular data processing and analysis method. Today deep learning, which is defined as a subbranch of machine learning, is used for various fields such as voice recognition, image processing, classification and object detection. In the scope of this thesis, remotely sensed hyperspectral images were examined and analyzed by using deep learning algorithms. Firstly, data sets of training, test and validation with different number of samples were produced for image classification. Then, 1D, 2D and 3D training models were created by using convolutional neural network, which is a deep learning algorithm. Thematic maps were produced by using those models, and the accuracies of the maps were compared. After the analysis, it was determined that the thematic maps produced with 3D deep learning models have the highest accuracy. In the second application, training data sets were created by using different sizes of image patches (15x15, 21x21 and 27x27). Later, those data sets were evaluated by using previously created 2D and 3D deep learning models, and thematic maps were produced. As a result, it was observed using different sizes of image patches in the training data has an important effect on thematic accuracies of the maps. Also, McNemar test is applied to examine the statistical significance of the maps produced by using different datasets having different number of samples. In the last application covered in this thesis, optimization of the deep learning model and the parameters forming the network structure are examined. Out of all regularization algorithms used for optimization, the effect of early stopping, dropout, standard regularization and batch normalization approaches on the model accuracy are investigated.