Tarım, jeolojik araştırma ve çevresel izleme gibi uygulamalar için uydu verilerinden değerli bilgiler elde etmek amacıyla hiperspektral görüntünün sınıflandırılması önemli bir görevdir. Bu süreçte her pikselin etiketlenmesi zaman alıcıdır ve mali kaynak gerektirmektedir. Bu amaçla az sayıda örnekle çalışmak çok önemlidir. Sınırlı sayıda örnek altında yüksek sınıflandırma performansı sağlamak için bu makale, performansı aktif bir öğrenme çerçevesiyle geliştirmeyi amaçlamaktadır. Çerçeve, boyut azaltma, kenar koruma filtresi ve aktif öğrenme adımlarını içermektedir. Bu açıdan bakıldığında performans üzerindeki etkilerini analiz etmek için farklı kenar koruyucu filtre yöntemlerini araştırılmıştır. Kenar koruyucu filtreleri boyut azaltmayla birleştiren çalışma, görüntü kalitesini korurken ve gürültüyü azaltırken sınıflandırma performansını artıran benzersiz bir yöntem sunmaktadır. Ağırlıklı En Küçük Kareler (WLS), Ortak Histogram Ağırlıklı Ortanca Filtre (Joint WMF), Hızlı Global Görüntü Yumuşatma (FGS), Bilateral Filtre (BF), and Static/dynamic (SD) olmak üzere toplam beş kenar koruyan filtre değerlendirilmiştir. Deneylerimiz referans araştırmayla (CNN+AL) karşılaştırıldığında önerilen çerçevenin Indian Pines, Pavia Üniversitesi ve Salinas veri kümeleri için genel ve ortalama doğruluğu yaklaşık %2-5 artırdığını göstermektedir.
Aktif öğrenme Kenar koruyan filtreler Hiperspektral görüntüleme
To extract valuable information from satellite data for applications such as agriculture, geological research, and environmental monitoring, the classification of hyperspectral images is an essential task. Labeling each pixel in this process is time-consuming and requires financial resources. To this end, working with a small number of samples is very important. In order to provide high classification performances with a limited number of samples, this paper aims to enhance the performance with an active learning framework. The framework incorporates dimensionality reduction, an edge-preserving filter, and active learning steps. From this perspective, we investigated different edge-preserving filter methods to analyze the effects on performance. By combining edge-preserving filters with dimensionality reduction, the study presents a unique method that improves classification performance while maintaining image quality and reducing noise. The following five edge-preserving smoothing filters are evaluated: weighted least squares (WLS), Joint-Histogram weighted median filter (Joint WMF), fast global image smoother (FGS), bilateral filter (BF), and static/dynamic (SD). Our experiments demonstrate that compared to the reference research (CNN+AL+MRF), the proposed framework increased overall and average accuracies about 2-5% for Indian Pines, Pavia University, and Salinas datasets.
Active learning Edge preserving filters Hyperspectral imaging
Birincil Dil | İngilizce |
---|---|
Konular | Derin Öğrenme |
Bölüm | Araştırma Makaleleri |
Yazarlar | |
Erken Görünüm Tarihi | 24 Mart 2024 |
Yayımlanma Tarihi | 28 Mart 2024 |
Gönderilme Tarihi | 8 Aralık 2023 |
Kabul Tarihi | 4 Mart 2024 |
Yayımlandığı Sayı | Yıl 2024 |
Turkish Journal of Remote Sensing and GIS (Türk Uzaktan Algılama ve CBS Dergisi), Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License ile lisanlanmıştır.