V3O2: hybrid deep learning model for hyperspectral image classification using vanilla-3D and octave-2D convolution

Mohan, Alkha; Venkatesan, M.

doi:10.1007/s11554-020-00966-z

Cited by 13 publications

(8 citation statements)

References 33 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The authors of [19] investigated the issue of high computational complexity of deep learning models in hyperspectral image analysis. The hyperspectral image is among the wellknown remote sensing imaging that extracts and gathers the data that is not in the visible spectrum.…”

Section: Deep Computing and Neural Networkmentioning

confidence: 99%

“…However, such models are computationally expensive; hence, making them not eligible for time sensitive tasks. The authors of [19] proposed a convolutional neural network model for hyperspectral imaging tasks that uses principal component analysis as a pre-processing technique to find optimal band extraction for the task.…”

Section: Deep Computing and Neural Networkmentioning

confidence: 99%

See 1 more Smart Citation

Real-time statistical image and video processing for remote sensing and surveillance applications

Khosravi

Tavallali

2021

J Real-Time Image Proc

View full text Add to dashboard Cite

Section: Deep Computing and Neural Networkmentioning

confidence: 99%

Section: Deep Computing and Neural Networkmentioning

confidence: 99%

Real-time statistical image and video processing for remote sensing and surveillance applications

Khosravi

Tavallali

2021

J Real-Time Image Proc

View full text Add to dashboard Cite

“…Spektral bant seçiminde, orijinal HG spektral bandından seçilen en kullanışlı spektral bantlar üzerinde analiz yapılmaktadır. Spektral bant çıkarımında, yüksek spektral boyuta sahip HG verilerinin spektral boyutu azaltılmaktadır [3]. Ancak, spektral boyutu azalan HG verilerinin uzamsal boyutu değişmez.…”

Section: Giriş (Introduction)unclassified

Hiperspektral görüntüler kullanılarak 3B ESA tabanlı derin öğrenme mimarilerinin karşılaştırılması

FIRAT

Hanbay

2022

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

View full text Add to dashboard Cite

Hiperspektral görüntüler (HG), iki uzamsal ve bir spektral boyuta sahip 3 boyutlu (3B) görüntü küpleridir. Derin öğrenme yöntemlerinin gelişimi, HG sınıflandırmada önemli bir etki oluşturmuştur. Özellikle evrişimsel sinir ağı (ESA) tabanlı yöntemler bu alanda daha fazla ilgi görmektedir. Bu çalışmada, HG sınıflandırma problemi için ESA’nın başarılı örnekleri arasında olan LeNet5, AlexNet, VGG16, GoogleNet ve ResNet50 derin öğrenme mimarilerinden yararlanıyoruz. Bu mimarileri kullanırken 3B ESA tabanlı hibrit bir yaklaşım kullanmaktayız. Çünkü, 3B ESA kullanılarak, spektral-uzamsal özellikler eş zamanlı olarak çıkarılmaktadır. Bu durumda elde edilen spektral-uzamsal tabanlı derin öğrenme mimarisi ile HG’lerin sınıflandırma doğruluğu arttırılmaktadır. Bununla birlikte, önerilen modelde, HG'lerden optimal bant çıkarımı için bir ön işleme tekniği olarak temel bileşen analizi (TBA) kullanılmaktadır. TBA uygulandıktan sonra komşuluk çıkarımı ile 3B küpler elde edilmekte ve derin öğrenme mimarilerinin girişine verilmektedir. 3B ESA tabanlı derin öğrenme mimarilerinin sınıflandırma performanslarını karşılaştırmak için Indian pines, Salinas, Botswana ve HyRANK-Loukia verisetleri kullanılmıştır. Gerçekleştirilen uygulamalar sonucunda, en iyi sınıflandırma doğruluğu Indian pines verisetinde VGG16, Botswana verisetinde ResNet50, HyRANK-Loukia verisetinde VGG16, Salinas verisetinde LeNet5 ve VGG16 mimarileri ile elde edilmiştir.

show abstract

“…Temel bileşen analizi (TBA), HG sınıflandırma için en yaygın olarak kullanılan bant çıkarma tekniğidir. TBA doğrusal bir tekniktir ve diğer tekniklere göre hesaplama açısından daha az karmaşıktır (Mohan and Meenakshi Sundaram, 2020).…”

Section: Introductionunclassified

MiniVGGNet Kullanılarak Hiperspektral Görüntü Sınıflandırma

FIRAT¹,

Uçan²,

Hanbay³

2021

Computer Science

View full text Add to dashboard Cite

Özetçe-Hiperspektral görüntü sınıflandırma uzaktan algılanan görüntülerin analizinde yaygın olarak kullanılmaktadır. Son zamanlarda, derin öğrenme hiperspektral görüntü sınıflandırmasında en etkili yöntem olarak görülmektedir. Özellikle evrişimsel sinir ağları (ESA) bu alanda giderek daha fazla ilgi görmektedir. ESA, spektral, uzamsal veya spektral-uzamsal alanlardan hiperspektral görüntülerin daha soyut özelliklerini öğrenebilen otomatik yaklaşımlar sağlamaktadır. Bu çalışma kapsamında, hiperspektral özellikler arasındaki ilişkilerden tam olarak yararlanmak ve sınıflandırma doğruluğunu arttırmak için 3B ESA tabanlı MiniVGGNet ağı önerilmektedir. 3B ESA ile spektral-uzamsal özellikler eş zamanlı olarak çıkarılmaktadır. MiniVGGNet ile de eğitilebilir parametre sayısı azaltılmakta ve eğitim süresi kısaltılmaktadır. Ayrıca, hiperspektral görüntülerin yüksek boyutluluğundan kaynaklanan hesaplama karmaşıklığını azaltmak için ön işleme yöntemi olarak temel bileşen analizi kullanılmaktadır. Önerilen yöntemin performansını test etmek için Indian Pines, Pavia Üniversitesi ve Salinas uzaktan algılama veri kümeleri üzerinde uygulamalar gerçekleştirilmiştir. Sonuçlar, farklı derin öğrenme tabanlı yöntemlerle karşılaştırılmıştır. Hiperspektral görüntü sınıflandırması için önerilen yöntem kullanılarak daha iyi sınıflandırma performansı elde edilmiştir.

show abstract

V3O2: hybrid deep learning model for hyperspectral image classification using vanilla-3D and octave-2D convolution

Cited by 13 publications

References 33 publications

Real-time statistical image and video processing for remote sensing and surveillance applications

Real-time statistical image and video processing for remote sensing and surveillance applications

Hiperspektral görüntüler kullanılarak 3B ESA tabanlı derin öğrenme mimarilerinin karşılaştırılması

MiniVGGNet Kullanılarak Hiperspektral Görüntü Sınıflandırma

Contact Info

Product

Resources

About