FBE- Geomatik Mühendisliği Lisansüstü Programı - Doktora

Bu koleksiyon için kalıcı URI

http://hdl.handle.net/11527/47

Gözat

Konu "Accuracy estimation" ile FBE- Geomatik Mühendisliği Lisansüstü Programı - Doktora'a göz atma
  • Öge
    Görüntü sınıflandırması için yapay sinir ağlarının analiz ve optimizasyonu
    (Fen Bilimleri Enstitüsü, 2001) Arslan, Ozan ; Örmeci , Cankut ; 112262 ; Geomatik Mühendisliği ; Geomatics Engineering
    İnsan beyninin problem çözme, anımsama, sentez yapma ve bilgi kazanımı gibi güçlü yetenekleri, farklı bilimlerden birçok bilim adamını bu işlevleri modellendirebilmek için esin kaynağı olmuştur. Yapay sinir ağları, beynin karmaşık işlemlerini basit bir şekilde benzeştiren (taklit eden) model formları olarak düşünülebilir. Bu teknikler tıp, iş dünyası, bilgisayar vb. birçok alanda geliştirilmekte ve kullanılmaktadır. Uzaktan algılamada ise bu teknikler, arazi- örtü sınıflandırması, jeolojik haritalama, bulut- örtüsü sınıflandırması ve çeşitli kaynaklardan elde edilen verilerin sınıflandırması gibi çok çeşitli sınıflandırma problemlerinde kullanılmaktadır. Yapay sinir ağı tekniklerinin gücü şu özgün niteliklerinden kaynaklanmaktadır; parametrik olmayan yapısı, istenilen biçimde karar sınırları oluşturabilme yeteneği, farklı veri türlerine uyum yeteneği ve sınıflandırma kalitesini arttırabilecek bulanık (fuzzy) sonuç değerleri. Son yıllarda yeryüzü çevresinin değerlendirilmesi ve sınıflandırılması gittikçe artan bir şekilde önem kazanmıştır. Uzaktan algılama verileri bu tür değerlendirmeler için temel verileri sağlar. Uydu algılayıcılarının nesnelerin çeşitli spektral (yansıma) değerlerini ayırt edebilme yeteneği nedeniyle, uydu görüntüleri sınıflandırma için mükemmel bir araçtır. Sinir ağlarının uzaktan algılamadaki kullanımı görece yenidir. Buna rağmen geçen son birkaç yılda yayınlanan uygulama sayısında artış görülmektedir. Uygulamaların çoğunda geri-yayılma (backpropagation) algoritması ile çalıştırılan "çok-tabakalı algılayıcı sinir ağı" (multilayer perceptron neural network) kullanılmıştır. Son araştırmalar sinir ağlarının uzaktan algılamada bir sınıflandırma yöntemi olarak kullanıldığında etkin olabileceğini göstermiştir. Multispectral görüntülerin sınıflandırılmasında sinir ağlarının uygulamaları hızla artmakadır. Bunun nedeni şu özelliklerinden kaynaklanmaktadır: i-) standart sınıflandırma yöntemlerine ilginç bir alternatif oluşturan "öğrenme" yeteneği, ii-) olasılık modeli ile ilgili hiçbir varsayım yapmaması, iii-) özellik uzayında yüksek dereceden lineer olmayan "karar sınırları" oluşturma yeteneği. Uzaktan algılanmış görüntülerden arazi kullanım haritalarının elde edilmesi, öncelikle sınıflandırma işlemine bağlıdır. Geçen on yılda, uzaktan algılama verileri için, ileri sınıflandırma algoritmalarının (istatistiksel, bilgi-tabanlı, sinir ağı ve hibrid yöntemler) geliştirilmesi için çok çaba harcanmıştır. Uzaktan algılama verilerinin sayısal analizi için en çok kullanılan yöntem kontrollü sınıflandırmadır. Bu yöntem bir görüntü içindeki piksellere, uygun algoritmalar kullanılarak, arazideki özel örtü sınıflarını temsil eden etiket bilgilerinin atanması IX esasına dayanır. Bu algoritmalar arasında "en çok benzerlik sınıflandırma yöntemi" şu anda en çok kullanılan ve bilinen yöntem olup diğer sınıflandırma yöntemleriyle karşılaştırıldığında standart bir sınıflandırma rutini haline gelmiştir. Bu yöntem, olasılık yoğunluk fonksiyonunun öncel olarak varsayılmak zorunda olduğu parametrik sınıflandırma yöntemine dahildir. Eğer gerçek olasılık yoğunluk fonksiyonu, model tarafından varsayılan fonksiyondan farklı ise, düşük bir "en çok benzerlik sınıflandırma" doğruluğu elde edilebilir. Son yıllarda araştırmacılar standart parametrik sınıflandırma tekniklerinin bu olumsuzluğunu gidermek için; parametrik - olmayan sınıflandırma yöntemleri geliştirmeye çalışmaktadırlar ve Yapay Sinir Ağları, uydu görüntülerinin güvenli sınıflandırılması için uygun bir yöntem olarak kabul edilmektedir. Sinir ağları yöntemi en çok benzerlik yöntemine göre, verilerin istatistiği üzerinde herhangi bir varsayım yapmadığı için potansiyel bir üstünlüğe sahiptir. Sinir Ağları; giriş verileri üzerinde tahmin edici bir işleve sahip olması ve "öğrenebilmesi" nedeniyle bir yapay zeka türünü oluşturur, öğrenme işlemini benzeştiren çok sayıda yapay zeka modeli için birçok algoritma geliştirilmiştir. Bunlar çok basit matematik modellerden, binlerce değişkenin kullanıldığı son derece karmaşık modellere kadar bir diziyi kapsar. Tanım olarak sinir ağlan; karmaşık transfer problemlerinin çözümü için, birlikte işleyen-birbiriyle bağlantılı, lineer olmayan basit hesaplama birimleri (nöron)nden oluşmaktadır. Günümüzde en çok kullanılan sinir ağı sınıflandırma yöntemi çok tabakalı algılayıcı sinir ağı (multilayer perceptron network : MLP) olup geniş biçimde analiz edilmiş ve birçok öğrenme algoritmaları geliştirilmiştir. MLP, kontrollü sinir ağı türüne aittir. MLP sinir ağı normal olarak geriyayılma (backpropagation) algoritması ile çalıştırılır. Sınıflandırma problemlerinin çözümünde farklı mimarilere (giriş nöronların sayısı, gizli tabakalar, çıkış nöronların sayısı, hedeflenen sonuç, etkinlik fonksiyonları.v.b. ) sahip geri yayılma algoritması cesaretlendirici sonuçlar göstermiştir. Sinir ağı yönteminin temel handikapı, ağın çalıştırılması (train) için çok fazla zaman gerektirmesidir, ancak; uygun bir öğrenme parametresi kullanılarak gereken zaman azaltılabilir, işlem zamanının fazlalığına rağmen, multispectral sınıflandırma için yapay sinir ağlarının, standart sınıflandırma daha doğru olduğu görülmüştür. Uzaktan algılamada yapay sinir ağlarının birçok ilginç kullanımı olmuştur, bunun nedeni; görüntü sınıflandırmasında sinir ağlarının; uzaktan algılama ile diğer yardımcı arazi bilgilerinin integrasyonuna olanak tanımasıdır. En çok benzerlik ve enyakın komşuluk sınıflandırma yöntemi gibi klasik sınıflandırma yöntemleri, yalnızca uydu görüntü band bilgilerine uygulanabilmektedir. Sinir ağları; uydu spektral verileri, yardımcı arazi kullanım bilgileri (eğim, görünüm, yükseklik v.b.) ve arazi sınıfları arasındaki lineer ve lineer olmayan bağlantıları sağlamaktadır. Bir yapay sinir ağının başarılı biçimde tasarımı; ağın uygun çalıştırılması kadar doğruluk özeliklerinin belirlenebilmesine de bağlıdır. Bu tezin temel amaçlarından birisi, belirlenen doğrulukta sinir ağlarının etkin ve hızlı bir şekilde çalıştırılması için bir yöntem geliştirmektir. Bu amaçla, çalıştırılan sinir ağlarının kullanıcı- tanımlı doğruluk derecesinde olmasını garanti edecek şekilde, istatistik örnekleme teorisine dayalı bir algoritma geliştirilecektir. Algoritmada ele alınan yaklaşım, doğruluk tahmininde güven aralıklarının kurulmasında "binom denemeler kavramı" ndan yararlanmaktır. Algoritmanın uygulanması için "Yapay Sinir Ağlarında Güven Tahmini" adında bir yazılım geliştirilmiştir. Yazılım yardımıyla binom teoremi kullanılarak, sinir ağları belirlenen doğruluk derecesinde ve güven düzeyinde çalıştırılabilecektir. Çok- tabakalı sinir ağları (MLP) genellikle geriyayılma algoritması ile çalıştırılır, fakat bu algoritmanın bazı dezavantajları vardır. Bu algoritma yerine, optimizasyon problemini çözmek için Levenberg- Marquardt yönteminin kullanılmasına karar verilmiştir. Bu amaçla, bir algoritma (ve yazılımı: HYSA) tasarlanmıştır. Etkin ve hızlı çalıştırma için, Levenberg- Marquardt optimizasyon yönteminin bir varyasyonu geliştirilmiştir. Bu yöntemin önemli bazı avantajları; hızlı oluşu, yerel minimuma yakınsama garantisi, sayısal kesinliği ve en az sayıda kulama- tanımlı giriş değeri gerektirmesidir. Bu üstünlükler, uygulaması ve kullanımı kolay olması düşünülen bir yazılım aracı (tool) için önemli özelliklerdir. Yazılım yalnızca ileri- itilimli çok tabakalı sinir ağları için tasarlanmıştır. Tez içinde geliştirilen yazılımlar kullanılarak, multispektral görüntü sınıflandırmasında sinir ağı teknikleri standart sınıflandırma teknikleri ile karşılaştırılmıştır. Bu çalışmanın temel amaçları : i-) klasik ve sinir ağı sınıflandırma yöntemleriyle elde edilen sonuçları karşılaştırmak, ii-) yeni algoritma yardımıyla farklı sinir ağı mimarilerinin performansını incelemek, iii-) geliştirilen yeni güven tahmin yöntemini gerçekleştirmek, iv-) görüntü sınıflandırması için yapay sinir ağlarını analiz etmek. Sonuç olarak yapay sinir ağı teknolojileri; uzaktan algılama görüntülerinin sınıflandırılması için klasik yöntemlere iyi ve etkin bir alternatif olarak düşünülebilir. Başka bir deyişle, sinir ağları; model sınıflandırma çalışmalarının farklı türlerine yenilikler getiren bir araç olarak değerlendirilmelidir.