Uzaktan algılama görüntülerinin evrişimli sinir ağları tabanlı sınıflandırılmasında topluluk öğrenmesi ve hiperparametre optimizasyonu
[ X ]
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Kırıkkale Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu tez çalışması, uzaktan algılama görüntülerinin, derin öğrenme algoritmaları ile sınıflandırması üzerine odaklanmaktadır. Çalışmada, UC Merced Landuse veri seti kullanılarak çeşitli derin öğrenme modellerinin performansları analiz edilmiştir. Çalışmada, sıklıkla tercih edilen InceptionV3, Xception ve DenseNet201 modelleri üzerinde durulmuş ve bu modeller hem hiperparametre optimizasyonu yapılmadan hem de optimizasyon uygulanarak test edilmiştir. Optimizasyon süreci, modellerin performanslarını artırarak doğruluğu önemli ölçüde iyileştirmiştir. Ayrıca, topluluk öğrenmesi ve oylama yöntemleri kullanılarak modellerin çıktıları birleştirilmiş, bu yöntemin daha yüksek doğruluk sağladığı gözlemlenmiştir. Çalışmanın sonuçları, derin öğrenme modellerinin uydu görüntülerinin sınıflandırılmasında etkin bir şekilde kullanılabileceğini göstermektedir. Hiperparametre optimizasyonu ve topluluk öğrenmesi gibi ileri teknikler, model performansını artırmakta ve uydu görüntülerinin sınıflandırılmasında daha güvenilir sonuçlar sunmaktadır. Sonuç olarak, bu çalışma, uzaktan algılama alanında yüksek doğruluk oranına sahip sınıflandırma modelleri geliştirmek için etkili bir yaklaşım sunmakta ve derin öğrenme yöntemlerinin geniş uygulama potansiyelini ortaya koymaktadır.
This thesis focuses on the classification of remote sensing images using deep learning algorithms. In the study, the performance of various deep learning models was analyzed using the UC Merced Landuse dataset. Frequently used models such as InceptionV3, Xception, and DenseNet201 were evaluated, with each model tested both with and without hyperparameter optimization. The optimization process significantly enhanced model performance by improving accuracy. Additionally, ensemble learning and voting methods were used to combine the models' outputs, resulting in higher accuracy. The findings demonstrate that deep learning models can be effectively utilized for the classification of satellite images. Advanced techniques such as hyperparameter optimization and ensemble learning improve model performance, providing more reliable results in satellite image classification. Consequently, this study offers an effective approach for developing high-accuracy classification models in the field of remote sensing and highlights the extensive application potential of deep learning methods in this domain.
This thesis focuses on the classification of remote sensing images using deep learning algorithms. In the study, the performance of various deep learning models was analyzed using the UC Merced Landuse dataset. Frequently used models such as InceptionV3, Xception, and DenseNet201 were evaluated, with each model tested both with and without hyperparameter optimization. The optimization process significantly enhanced model performance by improving accuracy. Additionally, ensemble learning and voting methods were used to combine the models' outputs, resulting in higher accuracy. The findings demonstrate that deep learning models can be effectively utilized for the classification of satellite images. Advanced techniques such as hyperparameter optimization and ensemble learning improve model performance, providing more reliable results in satellite image classification. Consequently, this study offers an effective approach for developing high-accuracy classification models in the field of remote sensing and highlights the extensive application potential of deep learning methods in this domain.
Açıklama
Fen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
