Hyperspectral remote sensing images (HRSI) are image cubes with two spatial and one spectral dimensions. Convolutional neural network (CNN) is one of the most effective deep learning methods for extracting spatial-spectral feature information in HRSI classification. Traditional CNN-based methods usually use 2D CNN for feature extraction. Because 2D CNN captures only spatial-dimensional features, it cannot extract good feature maps from spectral dimensions. 3D CNN can simultaneously extract spatial-spectral features in HRSI. However, 3D CNN is computationally complex. In this study, a hybrid method consisting of 3D-2D CNN combination is proposed. While 3D CNN extracts common spatial-spectral features, more spatial features are learned with 2D CNN used after 3D CNN. In addition, the proposed hybrid method reduces the computational complexity. Mish activation function is used to increase the classification performance of the proposed method. As a result of the applications performed with two commonly used datasets, it is seen that the proposed method has better classification performance.
Hiperspektral uzaktan algılama görüntüleri (HUAG) iki uzamsal ve bir spektral boyuta sahip görüntü küpleridir. Evrişimsel sinir ağı (ESA), HUAG sınıflandırmada uzamsal-spektral özellik bilgilerinin çıkarılmasını sağlayan en etkili derin öğrenme yöntemlerinden biridir. Geleneksel ESA tabanlı yöntemler genellikle özellik çıkarımı için 2B ESA’yı kullanmaktadır. 2B ESA yalnızca uzamsal boyutttaki özellikleri yakaladığından dolayı tek başına spektral boyutlardan iyi ayırt edici özellik haritaları çıkaramaz. 3B ESA HUAG’deki uzamsal-spektral özellikleri eş zamanlı olarak çıkarabilmektedir. Ancak 3B ESA hesaplama açısından karmaşıktır. Bu çalışmada 3B-2B ESA birleşiminden oluşan hibrid bir yöntem önerilmiştir. 3B ESA ortak uzamsal-spektral özellikleri çıkarırken, 3B ESA’dan sonra kullanılan 2B ESA ile daha fazla uzamsal özellikler öğrenilir. Ayrıca önerilen hibrid yöntem hesaplama karmaşıklığını da azaltmaktadır. Önerilen yöntemin sınıflandırma performansını arttırmak için Mish aktivasyon fonksiyonu kullanılmaktadır. Yaygın olarak kullanılan iki veriseti ile gerçekleştirilen uygulamalar sonucunda önerilen yöntemin daha iyi sınıflandırma performansına sahip olduğu görülmektedir.
Primary Language | Turkish |
---|---|
Subjects | Artificial Intelligence |
Journal Section | PAPERS |
Authors | |
Publication Date | October 20, 2021 |
Submission Date | August 31, 2021 |
Acceptance Date | September 16, 2021 |
Published in Issue | Year 2021 Volume: IDAP-2021 : 5th International Artificial Intelligence and Data Processing symposium Issue: Special |
The Creative Commons Attribution 4.0 International License is applied to all research papers published by JCS and
A Digital Object Identifier (DOI) is assigned for each published paper.