Search

Hiperspektral görüntüler (HG), iki uzamsal ve bir spektral boyuta sahip 3 boyutlu (3B) görüntü küpleridir. Derin öğrenme yöntemlerinin gelişimi, HG sınıflandırmada önemli bir etki oluşturmuştur. Özellikle evrişimsel sinir ağı (ESA) tabanlı yöntemler bu alanda daha fazla ilgi görmektedir. Bu çalışmada, HG sınıflandırma problemi için ESA’nın başarılı örnekleri arasında olan LeNet5, AlexNet, VGG16, GoogleNet ve ResNet50 derin öğrenme mimarilerinden yararlanıyoruz. Bu mimarileri kullanırken 3B ESA tabanlı hibrit bir yaklaşım kullanmaktayız. Çünkü, 3B ESA kullanılarak, spektral-uzamsal özellikler eş zamanlı olarak çıkarılmaktadır. Bu durumda elde edilen spektral-uzamsal tabanlı derin öğrenme mimarisi ile HG’lerin sınıflandırma doğruluğu arttırılmaktadır. Bununla birlikte, önerilen modelde, HG'lerden optimal bant çıkarımı için bir ön işleme tekniği olarak temel bileşen analizi (TBA) kullanılmaktadır. TBA uygulandıktan sonra komşuluk çıkarımı ile 3B küpler elde edilmekte ve derin öğrenme mimarilerinin girişine verilmektedir. 3B ESA tabanlı derin öğrenme mimarilerinin sınıflandırma performanslarını karşılaştırmak için Indian pines, Salinas, Botswana ve HyRANK-Loukia verisetleri kullanılmıştır. Gerçekleştirilen uygulamalar sonucunda, en iyi sınıflandırma doğruluğu Indian pines verisetinde VGG16, Botswana verisetinde ResNet50, HyRANK-Loukia verisetinde VGG16, Salinas verisetinde LeNet5 ve VGG16 mimarileri ile elde edilmiştir.

Hiperspektral görüntüler, uzaktan algılama uygulamalarında yaygın olarak kullanılan bitişik bant görüntüleridir. Derin öğrenme hiperspektral görüntü sınıflandırmasını iyileştirmek için kullanılan etkili bir yöntemdir. Evrişimli sinir ağları ise hiperspektral görüntü sınıflandırma alanında başarıyla kullanılan derin öğrenme yöntemlerinden biridir. Spektral, uzamsal veya spektral uzamsal alanlardan hiperspektral görüntülerin daha soyut özelliklerini öğrenebilen otomatik yaklaşımlar sağlamaktadır. Hiperspektral görüntülerin yüksek boyutsallığı hesaplama karmaşıklığını arttırmaktadır. Bu nedenle, geliştirilen evrişimli sinir ağ modellerinin çoğu, bir ön işleme adımı olarak boyut indirgeme gerçekleştirmektedir. Hiperspektral görüntü sınıflandırmasındaki diğer bir problem ise, doğru sonuçlar elde etmek için hem uzamsal hem de spektral özelliklerin dikkate alınması gerekliliğidir. Çünkü, hiperspektral görüntü sınıflandırma performansı büyük ölçüde hem spektral hem de uzamsal bilgilere bağlıdır. Bu çalışmada, hiperspektral görüntü sınıflandırması için yeni bir 3B evrişimli sinir ağı modeli önerilmiştir. Önerilen yöntem, hiperspektral görüntülerdeki spektral-uzamsal özellikleri eşzamanlı olarak çıkarmak için basit ve etkili bir yöntem sağlamaktadır. Ağ, giriş verileri olarak 3B hiperspektral küpü kullanmaktadır. Hiperspektral küpteki boyutsal fazlalığı gidermek için temel bileşen analizi ile boyut indirgeme yapılmaktadır. Daha sonra komşuluk çıkarımı kullanılarak, spektral uzamsal özellikler etkin bir şekilde çıkarılmaktadır. Önerilen yöntem indian pines, pavia üniversitesi, salinas ve kennedy uzay merkezi veri setleri ile test edilmiştir. Deneysel çalışmalar sonucunda, indian pines için %99,93, pavia üniversitesi için %99,99, salinas için %100 ve kennedy uzay merkezi için ise %99,81 genel doğruluk sonuçları elde edilmiştir. Sonuçlar, 7 farklı derin öğrenme tabanlı yöntemle karşılaştırılmıştır. Deneysel sonuçlardan, 4CF-Net yöntemimizin daha iyi performans gösterdiği görülmektedir.

Beyin tumorlerinden kaynakli insan olumleri gunumuzde artmaktadir. Beyin tumoru cok hizli buyuyerek, normal boyutunun iki katina cikabilir. Bu yuzden uzmanlar, Manyetik Rezonans (MR) goruntulerini inceleme surecini hizli bir sekilde yapmalidir. Bu adim kanser tanisinda, tedavi planlamasinda ve tedavi sonucunun degerlendirilmesinde hayati oneme sahiptir. Beyninde tumor olan hasta dogru ve hizli tedavi edilmezse, hastanin hayatta kalma sansi azalir ve bu durum hastanin olumune neden olabilir. Bu makalede, beyin MR goruntulerinden tumoru kolayca tespit eden ve tumorun yerini belirten, uzmanlara yardimci olabilecek bilgisayar destekli otomatik tumor tespit sistemi gelistirilmistir. Gelistirilen sistem derin ogrenme mimarilerinden olan Bolgesel tabanli Evrisimsel Sinir Aglari (BESA) tabanlidir. BESA, Evrisimsel Sinir Aglari (ESA) mimarisini kullanan bir yapi olmakla birlikte giris goruntusune ek olarak ilgilenilen bolgenin de giris olarak verildigi bir yapi olarak dusunulebilir. Onerilen metot icerisinde farkli BESA mimarileri tasarlanarak Benchmark, Rembredant ve Harvard veri setleri uzerinde test edilmistir. Elde edilen en yuksek dogruluk degeri %99.10 ile BESA4 mimarisi ve Benchmark veri setinden elde edilmistir. En yuksek ortalama dogruluk ise yine BESA4 mimarisi ile %98.66 olarak hesaplanmistir. Ayrica, onerilen yontemin basarimi, literaturdeki bazi yontemler ile kiyaslanmistir. Kiyaslamalar da onerilen yontemin daha basarili oldugu gorulmustur.