Vektör Makinaları Temelli Hiperspektral Sınıflandırma için Seyreklik ...

karmaşıklığını etkilemektedir ve önerilen yöntem ile model
karmaşıklığı ve hesapsal yük azaltılmıştır.
Tablo 1: 9 sınıf için eğitim ve test verisi miktarları
Sınıf Eğitim Test
S1-Corn-no till 742 692
S2-Corn-min till 442 392
S3-Grass/Pasture 260 237
S4-Grass/Trees 389
358
S5-Hay-windrowed 236 253
S6-Soybean-no till 487 481
S7-Soybean-min till 1245 1223
S8-Soybean-clean till 305 309
S9-Woods 651 643
Toplam 4757 4588
Tablo 2: % 88 sıkıştırma oranı için sonuçlar
Yöntem
DVM
SB DV
İVM
SB İV
k-ortalama 87.68 942 82.78 192
RANSAC 87.57 1203 82.74 209
FK 83.39 873 79.01 193
Tablo 3: % 50 sıkıştırma oranı için sonuçlar
Yöntem
DVM
SB DV
İVM
SB İV
k-ortalama 91.06 2198 87.29 347
RANSAC 88.86 2030 84.63 388
FK 89.34 2134 86.79 349
Tablo 4 :farklı kernel parametreleri için ön-bölütleme ve
RANSAC İVM sonuçları
Yöntem
Kernel
parametreleri
γ
SB İV
K-İVM 1 80.38 176
K-İVM 2 82.78 192
R-İVM 1 82.58 216
R-İVM 2 82.74 209
FK-İVM 1 78.33 181
FK-İVM 2 79.01 193
Tablo 5 : farklı kernel parametreleri için
ön-bölütleme ve RANSAC DVM sonuçları
Yöntem
Kernel
parametreleri
γ
C SB İV/DV
K-DVM 1 65 86.83 885
K-DVM 2 40 87.68 942
R-DVM 1 65 87.01 1021
R-DVM 2 40 87.57 1203
FK-DVM 1 65 82.95 884
FK-DVM 2 40 83.39 873
Tablo 6: Farklı kernel parametreleri için
DVM ve İVM sonuçları
Yöntem
Kernel
parametreleri
γ
C SB İV/DV
DVM 1 65 91.95 3259
İVM 1 - 90.14 514
DVM 2 40 92.67 3393
İVM 2 - 90.32 592
7. Teşekkür
Bu çalışma, Türkiye Bilimsel ve Teknik Araştırma Kurumu,
TÜBİTAK tarafından Hiperspektral Sınıflandırma, Bölütleme
ve Tanıma” (HİSSET) isimli araştırma projesi kapsamında
desteklenmiştir.
8. Kaynakça
[1] Meyer, A., Paglieroni, D., and Astaneh, C.: ‘K-Means Re-
Clustering: Algorithmic Options with Quantifiable Performance
Comparisons’, SPIE Photonics West, Optical Engineering at
LLNL, Vol. 5001, pp. 84-92, 2003.
[2] Ertürk, A., Ertürk, S.: ‘Unsupervised Segmentation of
Hyperspectral Images Using Modified Phase Correlation,’ IEEE
Geoscience and Remote Sensing Letters, 3, (4): 527-531, 2006.
[3] Burges, C.: ‘A Tutorial on Support Vector Machines for Pattern
Recognition’, in Proc. Data Mining and Knowledge
Discovery, U. Fayyad, Ed. Kluwer Academic, pp.1-43, 1998.
[4] Huang, C., Davis, L. S., and Townshend, J. R. G: ‘An
Assessment of Support Vector Machines for Land Cover
Classification’, Int. J. Remote Sensing, 23, (4): 725-749, 2002.
[5] Gualtieri, J. A., Chettri, S. R., Cromp, R. F., and Johnson, L. F.:
‘Support vector machine classifiers as applied to AVIRIS data’,
in Summaries 8th JPL Airborne Earth Science Workshop, JPL
Pub. 99-17, pp.217–227, 1999.
[6] Müller, K.R., Mika, S., Ratsch, G., Tsuda, K., and Schölkopf,
B:. ‘An Introduction to Kernel-Based Learning Algorithms’,
IEEE Transactions on Neural Networks, 12, (2): 181–201, 2001.
[7] Tipping, M. E.: ‘The relevance vector machine’, in Advances in
Neural Information Processing Systems 12, S. A. Solla, T. K.
Leen, and K.-R. Müller, Eds. Cambridge, MA: MIT Press, 2000.
[8] Demir, B. Ertürk, S.: ‘Hyperspectral image classification using
relevance vector machines’, IEEE Geoscience and Remote
Sensing Letters, submitted.
[9] Wang, J., Wu, X., Zhang, C.: ‘Support Vector Machines Based
on K-means Clustering for Real-time Business Intelligence
systems’, Int. J. Business Intelligence and Data Mining, 1, (1):
54-64, 2005.
[10] MacKay, D. J. C.: ‘The evidence framework applied to
classification networks’, Neural Comput., Vol. 4, pp. 720–736,
1992.
[11] Nabney, I. T.: ‘Efficient training of RBF networks for
classification’, in Proc. 9th ICANN, pp. 210–215, 1999.
[12] Fischler, M. A Bolles, R. C.: ‘Random Sample Consensus: A
Paradigm for Model Fitting with Applications to Image Analysis
and Automated Cartography’, Comm. of the ACM, Vol 24,
1981, pp. 381-395.