Ss-mla: Uzaktan algılamalı görüntülerin çok etiketli sınıflandırması için yeni bir çözüm

Abstract

Uzaktan algılanan görüntülerin çok etiketli sınıflandırması çok önemli bir araştırma alanıdır. Kentsel büyümeyi izlemekten askeri gözetlemeye kadar birçok uygulamaya sahiptir. Uzaktan algılanan görüntülerin çok etiketli sınıflandırması için birçok algoritma ve yöntem önerilmiştir. Bu tezde iki yaklaşım sunulmaktadır. İlki, küçük veri kümelerinde karmaşık yöntemlerin daha basit olanlara göre avantajı olmadığını gösteren CNN tabanlı basit bir modeldir. İkincisi, uzaktan algılanan görüntülerin çoklu etiketli sınıflandırması için Semi-Supervised Multi-Label Annotizer (SS-MLA) adı verilen rekabetçi bir Vector-Quantized Temporal Associative Memory (VQTAM) tabanlı yöntemdir. İlk yöntem, uzaktan algılanmış dört farklı veri kümesi üzerinde F1-Skorlarına göre literatürdeki diğer son teknoloji yöntemlerle ve SS-MLA ile karşılaştırılmıştır. Deney sonuçları, yeni bir yaklaşım olarak SS-MLA'nın, karşılaştırmaların yarısından ve önerilen basit yöntemden daha iyi sonuçlar verdiğini göstermektedir. Algoritma ve yöntemlerin tüm uygulamaları için Python 3.8 ortamında Tensorflow-GPU 2.4.0 ve Numpy 1.19.5 çerçeveleri kullanılmıştır.

Multi-label classification of remotely sensed images is a very important research area. It has many applications from tracking urban growth to military surveillance. Many algorithms and methods are proposed for multi-label annotation of remotely sensed images. In this thesis, two approaches are provided. The first one is a CNN-based straightforward model to show that in small datasets sophisticated methods have no advantage over simpler ones. The second one is a competitive Vector-Quantized Temporal Associative Memory (VQTAM) based method called Semi-Supervised Multi-Label Annotizer (SS-MLA) for multi-label annotation of remotely sensed images. The first method is compared with SS-MLA along with other state-of-the-art methods from the literature according to their F1-Scores on four different remotely sensed datasets with SS-MLA. The experiment results show that SS-MLA, as a new approach, achieves better results than half of the comparisons as well as the proposed straightforward method. For all the implementations of the algorithms and methods, Tensorflow-GPU 2.4.0 and Numpy 1.19.5 frameworks are used in a Python 3.8 environment.