Uzaktan algılama görüntülerinin evrişimli sinir ağları tabanlı sınıflandırılmasında topluluk öğrenmesi ve hiperparametre optimizasyonu

Basit Öğe Kaydı
dc.contributor.advisorAydilek, Hüseyin
dc.contributor.authorAkköprü, Sezen Yeşilay
dc.date.accessioned2025-01-21T15:59:47Z
dc.date.available2025-01-21T15:59:47Z
dc.date.issued2024
dc.departmentKKÜ, Fen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
dc.descriptionFen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
dc.description.abstractBu 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.
dc.description.abstractThis 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.
dc.identifier.endpage76
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=LY6e5xGA7WWUpEdrBmEPLtdL5z_LdzqolDZdI-6zgUnc-_MW4UovwQQ74dddqPv4
dc.identifier.urihttps://hdl.handle.net/20.500.12587/20550
dc.identifier.yoktezid904597
dc.language.isotr
dc.publisherKırıkkale Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_20241229
dc.subjectElektrik ve Elektronik Mühendisliği
dc.subjectElectrical and Electronics Engineering
dc.titleUzaktan algılama görüntülerinin evrişimli sinir ağları tabanlı sınıflandırılmasında topluluk öğrenmesi ve hiperparametre optimizasyonu
dc.title.alternativeEnsemble learning and hyperparameter optimization in the classification of remote sensing images based on convolutional neural networks
dc.typeMaster Thesis

Dosyalar

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu