Matches in SemOpenAlex for { <https://semopenalex.org/work/W4283329713> ?p ?o ?g. }
Showing items 1 to 73 of
73
with 100 items per page.
- W4283329713 endingPage "258" @default.
- W4283329713 startingPage "242" @default.
- W4283329713 abstract "Hiperspektral uzaktan algılama görüntüleri (HUAG), yüzlerce spektral bant içeren ve iki uzamsal-bir spektral boyuta sahip 3B görüntü küpleridir. Sınıflandırma, HUAG’de en popüler konulardan biridir. Son yıllarda HUAG sınıflandırması için çok sayıda derin öğrenme yöntemi önerilmiştir. Özellikle Evrişimli Sinir Ağları (ESA), HUAG'lerin sınıflandırılmasında yaygın olarak kullanılmaktadır. ESA, daha yüksek kaliteli HUAG sınıflandırması için daha ayırt edici özellikler sağlayabilen güçlü bir özellik öğrenme yeteneğine sahiptir. Bu çalışma kapsamında 3B/2B ESA, Artık ağ mimarisi ve Derinlemesine ayrılabilir evrişimin birlikte kullanıldığı bir yöntem önerilmiştir. Daha derin ESA'larda, katman sayısı arttıkça daha yüksek sınıflandırma performansı elde etmek için artık ağ kullanılmaktadır. Ayrıca artık ağ sayesinde derin ağlarda oluşabilecek bozulma ve gradyanların yok olması gibi sorunların üstesinden gelinmektedir. Öte yandan, hesaplama maliyetini azaltan, aşırı öğrenmeyi önleyen ve daha fazla uzamsal özellik çıkarımı sağlayan Derinlemesine ayrılabilir evrişimler kullanılmıştır. Son olarak, 3B ESA ile HUAG’lerden uzamsal-spektral özellikler eş zamanlı olarak çıkarılmaktadır. Ancak sadece 3B ESA kullanımı hesaplama karmaşıklığını arttırmaktadır. Yalnızca 2B ESA kullanımı ile de HUAG’lerden sadece uzamsal özellikler çıkarılmaktadır. Spektral özellikler çıkarılamamaktadır. 3B ESA ile 2B ESA’nın birlikte kullanılmasıyla bu iki problem çözülmüştür. Ayrıca önerilen yöntemde optimum spektral bant çıkarımı için temel bileşen analizi bir ön işleme adımı olarak kullanılmıştır. Popüler iki HUAG kıyaslama veriseti olan Indian pines ve Salinas verisetleri kullanılarak uygulamalar gerçekleştirilmiştir. Uygulamalar sonucunda Indian pines ile %99.45 ve Salinas ile %99.95 genel doğruluk sonucu elde edilmiştir. Elde edilen sınıflandırma sonuçları, önerilen yöntemin sınıflandırma performansının mevcut yöntemlerden daha iyi olduğunu göstermektedir." @default.
- W4283329713 created "2022-06-24" @default.
- W4283329713 creator A5063905557 @default.
- W4283329713 creator A5083111912 @default.
- W4283329713 creator A5088428409 @default.
- W4283329713 date "2022-06-30" @default.
- W4283329713 modified "2023-10-14" @default.
- W4283329713 title "Depthwise Separable Convolution Based Residual Network Architecture for Hyperspectral Image Classification" @default.
- W4283329713 cites W2029316659 @default.
- W4283329713 cites W2089372326 @default.
- W4283329713 cites W2090424610 @default.
- W4283329713 cites W2101711129 @default.
- W4283329713 cites W2113464037 @default.
- W4283329713 cites W2194775991 @default.
- W4283329713 cites W2572303978 @default.
- W4283329713 cites W2588023376 @default.
- W4283329713 cites W2621323958 @default.
- W4283329713 cites W2749439257 @default.
- W4283329713 cites W2764276316 @default.
- W4283329713 cites W2769309272 @default.
- W4283329713 cites W2789886710 @default.
- W4283329713 cites W2792332881 @default.
- W4283329713 cites W2899101283 @default.
- W4283329713 cites W2914331134 @default.
- W4283329713 cites W2967403871 @default.
- W4283329713 cites W2991616716 @default.
- W4283329713 cites W2997035159 @default.
- W4283329713 cites W2998217597 @default.
- W4283329713 cites W3003552243 @default.
- W4283329713 cites W3017845037 @default.
- W4283329713 cites W3022592629 @default.
- W4283329713 cites W3088464175 @default.
- W4283329713 cites W3092916389 @default.
- W4283329713 cites W3185961193 @default.
- W4283329713 cites W3213932739 @default.
- W4283329713 cites W4206315673 @default.
- W4283329713 cites W4221026121 @default.
- W4283329713 doi "https://doi.org/10.29109/gujsc.1055942" @default.
- W4283329713 hasPublicationYear "2022" @default.
- W4283329713 type Work @default.
- W4283329713 citedByCount "1" @default.
- W4283329713 countsByYear W42833297132023 @default.
- W4283329713 crossrefType "journal-article" @default.
- W4283329713 hasAuthorship W4283329713A5063905557 @default.
- W4283329713 hasAuthorship W4283329713A5083111912 @default.
- W4283329713 hasAuthorship W4283329713A5088428409 @default.
- W4283329713 hasBestOaLocation W42833297131 @default.
- W4283329713 hasConcept C121332964 @default.
- W4283329713 hasConcept C142362112 @default.
- W4283329713 hasConcept C33923547 @default.
- W4283329713 hasConceptScore W4283329713C121332964 @default.
- W4283329713 hasConceptScore W4283329713C142362112 @default.
- W4283329713 hasConceptScore W4283329713C33923547 @default.
- W4283329713 hasIssue "2" @default.
- W4283329713 hasLocation W42833297131 @default.
- W4283329713 hasOpenAccess W4283329713 @default.
- W4283329713 hasPrimaryLocation W42833297131 @default.
- W4283329713 hasRelatedWork W1531601525 @default.
- W4283329713 hasRelatedWork W2748952813 @default.
- W4283329713 hasRelatedWork W2758277628 @default.
- W4283329713 hasRelatedWork W2899084033 @default.
- W4283329713 hasRelatedWork W2935909890 @default.
- W4283329713 hasRelatedWork W2948807893 @default.
- W4283329713 hasRelatedWork W3173606202 @default.
- W4283329713 hasRelatedWork W3183948672 @default.
- W4283329713 hasRelatedWork W2778153218 @default.
- W4283329713 hasRelatedWork W3110381201 @default.
- W4283329713 hasVolume "10" @default.
- W4283329713 isParatext "false" @default.
- W4283329713 isRetracted "false" @default.
- W4283329713 workType "article" @default.