Hiperspektal görüntülerde yarı güdümlü öğrenme teknikleri

Abstract

Uzaktan algılama yöntemleri, algılama için sinyal gönderip göndermemelerine göre aktif ve pasif olarak iki alt başlıkta incelenmektedir. Pasif uzaktan algılama yöntemleri arasında yer alan hiperspektral görüntüleme son yıllarda geli¸sen görüntüleme teknolojisiyle araştırmacılar tarafından üzerinde yoğun olarak çalı¸sılan bir alandır. Hiperspektral görüntüler, elektromanyetik spektrumda görünür bölgeden kızılötesi bölgeye kadar olan spektrumda spektral bantlara sahiptir. Hiperspektral görüntüleme kendisinden bir önceki teknoloji olan multispektral görüntülemeye göre daha fazla bant sayısına sahiptir. Multispektral görüntüler 4 ila 10 arasında spektral bantlara sahipken, hiperspektral görüntüler yüzün üzerinde bantlara sahiptir. Hiperspektral görüntüler, sivil ve askeri alanlarda birçok uygulamada kullanılmaktadır, çünkü hiperspektral görüntülerde her piksel ifade etti˘gi bölgenin neredeyse sürekli sinyal bilgisini elde etmeye olanak saglar. Hiperspektral görüntülerin uçak ve uydular ile elde edilmesinden dolayı algılayıcı ve algılanan madde arasında atmosfer tabakası bulunmaktadır. Bu nedenle, hiperspektral görüntülerde atmosferik etkilerden gürültü oluşmaktadır. Olu¸san bu etkiler bazı bantlarda diger bantlara oranla daha fazla etkiye sahiptirler. Bu nedenle hiperspektral görüntülerde bazı bantlar sağlayıcı tarafından atılmaktadır. Bunun yanında uygulama alanlarına göre farklılık gösterse de, hiperspektral görüntüler üzerinde yapılacak analiz i¸işlemlerinden önce birçok çalışmada çeşitli gürültü giderimi yöntemleri uygulanmaktadır. Bu tez çalışmasında da temel bileşen analizi ve bağımsız bileşen analizi uygulanarak bu gürültü etkisinin giderilmesi hedeflenmiştir. Veri etiketleme diğer alanlarda olduğu gibi hiperspektral görüntüleme alanında da zaman ve iş gücü açısından maliyetli bir işlemdir. Bu nedenle makine öğrenmesi alanında araştırmacılar az sayıdaki etiketli örnekle, görüntü analizi yapmayı hedeflemektedirler. Bunun için ortaya atılan yöntemlerin genel adına da yarı-güdümlü öğrenme ismi verilmiştir. Yarı-güdümlü öğrenme yapısı nedeniyle melez bir öğrenme ¸şeklidir. Etiket bilgisinin kullanılmadı˘gı e˘giticisiz/güdümsüz kümeleme yöntemleriyle, etiket bilgisinin kullanıldı˘gı e˘giticili/güdümlü sınıflama yöntemlerinin arasındaki yöntemlerdir. Yarı-güdümlü öğrenme yöntemleri hem etiketli hem de etiketsiz veri bilgilerini kullanarak az sayıdaki etiketli örnekle hedefine ulaşmayı amaçlamaktadırlar. Bu tez çalı¸smasının temel amacı hiperspektral görüntülerin az sayıdaki etiketli örnekle yarı-güdümlü olarak sınıflandırılmasıdır. Yarı-güdümlü öğrenme yöntemleri temel olarak iki asamadan olusmaktadır. Bunlardan ilki etiketli örnekleri seçimi, ikinci ise bu örneklerin etiketlenmesidir. Etiketleme süreci kadar etiketli örnek seçimi de önemlidir. Tez çalışmasının ilk bölümünde artımsal bir model olan kendi kendine öğrenme yöntemiyle yarı-güdümlü öğrenme uygulanmıştır. Burada etiketli örnek seçimi k-ortalamalar ve yarı-güdümlü öğrenme literatürde ilk defa uygulanan eksiltici kümeleme ile gerçekle¸stirilmi¸stir. Temel amaç en çok fayda/bilgi sa˘glayacak örneklerin seçilmesidir. ˙Ikinci a¸sama olan etiketsiz verilerin etiketlenmesinde ise artımsal bir model temel alınmı¸stır. Yarı-güdümlü olarak etiketlenen egitim kümesinin ardından test kümesi çekirdek destek vektör makineleri ve çekirdek seyrek gösterim sınıflayıcısı gibi iki farklı güdümlü öğrenme yöntemiyle sınıflandırılmıştır. Bu sınıflandırıcı sonuçları karar a¸samasında çe¸cesitli ¸sekillerde birlestirilerek sistem sonucu elde edilmiştir. Ayrıca bu bölümde çeşitli öznitelik seçim ve çıkarım yöntemleri uygulanarak sistem başarımına etkileri nesnel olarak gözlemlenmiştir. Tez çalışmasının diğer bölümünde yarı-güdümlü öğrenme yöntemlerinin bir diğer çe¸sidi olan graf-tabanlı bir sistem önerilmiştir. Bu yapıda eğitim verisi veya tüm veriler bir graf üstüne yerlestirilerek aşama aşama etiketleme işlemi gerçekleştirilmektedir. Graf tabanlı yapıda kom¸su piksellerin de i¸sin içine katılmasıyla uzamsal bilgi kullanılmıştır. Grafta sadece eğitim örnekleri kullanıldıysa test örnekleri yine farklı sınıflayıcılar ile sınıflanarak sınıflama sonuçları karar seviyesinde birleştirilmiştir. Bu bölümde, derin ö˘grenme tabanlı sınıflandırıcı, sınıflandırıcılara dahil edilmi¸stir ve sınıflandırma sonuçları karar aşamasında eklenmistir. Ayrıca graf tabanlı yapının hesaplama i¸slemleri grafik i¸sleme ünitesine aktarılmıştır. Bu sayede egitim ve test örneklerinin tamamının graf tabanlı sistem ile etiketlenmesine olanak sağlanmıştır. ˙Iki farklı çözümün sonuçları ve literatürde ön plana çıkan çalı¸smaların sonuçları karşılaştırılmıştır. 1980’ li yıllarda ortaya çıkan yapay sinir ağları teknolojinin gelişmesiyle derin sinir a˘gları olarak tekrar ortaya çıkmıştır, ve diğer makine öğrenmesi yöntemleriyle elde edilemeyen ba¸sarımlara ulaşılmasına imkan sağlamı¸stır. Tez çalışmasının son bölümünde derin öğrenme tabanlı bir sistem önerilmiştir. Önerilen sistem temel olarak aynı özelliklere sahip hiperspektral veri kümeleri için tek bir derin modelin eğitilmesini ve diğer veri kümelerinin bu modeli kullanarak öznitelik çıkarım işlemlerini gerçekle¸stirmesini hedeflemektedir. Sistemde öncelikle hiperspektral görüntülerin derin öğrenme modellerine girdi olabilmesi için yeni bir veri dönü¸süm modeli önerilmiştir. Ayrıca diğer makine öğrenmesi alanlarında sıklıkla kullanılan ince-ayar (fine-tuning) yöntemi yarı-güdümlü hiperspektral veri analizinde ilk kez kullanılmıştır. Sistemde ince-ayarla elde edilen modelden derin öznitelik vektörleri elde edilerek bu vektörler üzerinde etiketli örnek seçimi için 5 farklı kümeleme yöntemi uygulanmıştır. Bunun temel amacı farklı kümeleme yöntemlerinin sistem ba¸sarımına etkisinin araştırılmasıdır. Yarı-güdümlü öğrenme aşamasinda ise transdüktif destek vektör makineleri (transductive support vector machines) ve ilk defa önerilen yarı-güdümlü seyrek gösterim sınıflayıcısı kullanılmıştır. Elde edilen sınıflama sonuçları literatürdeki en gelişkin yöntemler ile karşılaştırılmıştır. Özet olarak bu tez çalışmasında, az sayıda etiketli örne˘ge sahip hiperspektral verilerin yarı-güdümlü olarak sınıflandırılması için yeni sistem çözümleri ve yeni yaklaşımlar önerilmesi amaçlanmıştır. Çalışmanın uzaktan algılama, makine öğrenmesi, görüntü işleme, yarı-güdümlü öğrenme ve derin öğrenme alanlarında çalışan araştırmacılar için faydalı bir kaynak olması hedeflenmiştir.