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.
Hyperspectral remote sensing images (HRSI) are 3D image cubes containing hundreds of spectral bands and having two spatial-one spectral dimensions. Classification is one of the most popular topics at HRSI. In recent years, many deep learning methods have been proposed for HRSI classification. Especially Convolutional Neural Networks (CNN) are commonly used in the classification of HRSIs. CNN has a strong feature learning capability, which can provide more distinctive features for higher quality HRSI classification. In this study, a method in which 3D/2D CNN, Residual network architecture (ResNet) and Depthwise separable convolution (DSC) are used together is proposed. In deeper CNNs, ResNet is used to achieve higher classification performance as the number of layers increases. In addition, thanks to ResNet, problems such as degradation and vanishing gradients that may occur in deep networks are overcome. On the other hand, DSCs have been used, which reduces the computational cost, prevents overfitting and provides more spatial feature extraction. Finally, spatial-spectral features are extracted simultaneously from HRSIs with 3D CNN. However, using only 3D CNN increases computational complexity. By using only 2D CNN, only spatial features are extracted from HRSIs. Spectral features cannot be extracted. By using 3D CNN and 2D CNN together, these two problems are solved. In addition, principal component analysis is used as a preprocessing step for optimum spectral band extraction in the proposed method. Applications were carried out using two popular HUAG benchmarking datasets, Indian pines and Salinas datasets. As a result of the applications, an overall accuracy of 99.45% with Indian pines and 99.95% with Salinas was obtained. The obtained classification results show that the classification performance of the proposed method is better than the existing methods.
