Hiperspektral uzaktan algılama görüntülerinde (HUAG) sınıflandırma, görüntü analizinde zorlu bir süreçtir ve en popüler konulardan biridir. Son yıllarda, HUAG sınıflandırma problemini çözmek için birçok yöntem önerilmiştir. Geleneksel makine öğrenme yöntemleriyle karşılaştırıldığında, derin öğrenme, özellikle Evrişimsel sinir ağları (ESA), HUAG'lerin sınıflandırılmasında yaygın olarak kullanılmaktadır. ESA'lara dayalı derin öğrenme tabanlı yöntemler, HUAG sınıflandırmasında dikkate değer bir performans sergilemekte ve sınıflandırma teknolojisinin gelişimini büyük ölçüde desteklemektedir. Bu tez çalışmasında, HUAG sınıflandırma için yedi farklı derin öğrenme tabanlı yöntem geliştirilmiştir. İlk çalışmada, 3B evrişim ile 2B derinlemesine ayrılabilir evrişimin birlikte kullanıldığı hibrit bir yöntem önerilmiştir. İkinci çalışmada, uzamsal-spektral özellikleri çıkarabilmek için yeni bir 3B ESA tabanlı yöntem geliştirilmiştir. Üçüncü çalışmada, daha az eğitilebilir parametreye sahip 3B ESA tabanlı LeNet5 yöntemi geliştirilmiştir. Dördüncü çalışmada, 3B ESA ve ResNet18 mimarisi kullanılarak derin uzamsal-spektral özniteliklerin çıkarılması için hibrit bir 3B Residual uzamsal-spektral evrişim ağı önerilmiştir. Beşinci çalışmada, HUAG sınıflandırma problemini çözmek için 3B/2B Complete Inception modülü ve 3B/2B ESA yönteminin birlikte kullanıldığı hibrit bir yöntem önerilmiştir. Önerilen yöntemde Inception modülü ile çoklu evrişim katmanları kullanılarak çok seviyeli öznitelik çıkarımı gerçekleştirilmektedir. Altıncı çalışmada, HUAG sınıflandırma problemi için ESA'nın başarılı örnekleri arasında olan LeNet5, AlexNet, VGG16, GoogleNet ve ResNet50 mimarilerinden yararlanılmaktadır. Bu mimarileri kullanırken 3B ESA tabanlı hibrit bir yaklaşım kullanılmaktadır. Yedinci çalışmada, çok yollu özellik füzyonuna dayalı hibrit 3B-2B derinlemesine ayrılabilir evrişim ağı tabanlı derin öğrenme yöntemi geliştirilmiştir. Önerilen yöntemlerin tamamı sıklıkla kullanılan IP, PU, SA, BO, HL, UH, KUM, son zamanlarda ortaya çıkan WHU-Hi veri setleri üzerinde test edilmiştir. Önerilen yöntemler ile elde edilen sınıflandırma sonuçları, önerilen yöntemlerin son teknoloji yöntemlere göre daha başarılı sınıflandırma performansı sağladığını ortaya koymaktadır.
Classification in hyperspectral remote sensing images (HRSIs) is a challenging process in image analysis and one of the most popular topics. In recent years, many methods have been proposed to solve the HRSIs classification problem. Compared to traditional machine learning methods, deep learning, especially Convolutional Neural Networks (CNNs), is commonly used in the classification of HRSIs. Deep learning-based methods based on CNNs show remarkable performance in HRSIs classification and greatly support the development of classification technology. In this thesis, seven different deep learning-based methods have been developed for HRSI classification. In the first study, a hybrid method is proposed in which 3D convolution and 2D depthwise separable convolution are used together. In the second study, a new 3D CNN-based method was developed to extract spatial-spectral features. In the third study, a 3D CNN-based LeNet5 method with less trainable parameters was developed. In the fourth study, a hybrid 3D Residual spatial-spectral convolution network is proposed for extraction of deep spatial-spectral features using 3D CNN and ResNet18 architecture. In the fifth study, a hybrid method in which the 3D/2D Complete Inception module and the 3D/2D CNN method are used together is proposed to solve the HRSI classification problem. In the proposed method, multi-level feature extraction is performed by using multiple convolution layers with the Inception module. In the sixth study, LeNet5, AlexNet, VGG16, GoogleNet and ResNet50 architectures, which are among the successful examples of CNN, are used for the HRSI classification problem. A hybrid approach based on 3D CNN is used when using these architectures. In the seventh study, a hybrid 3D-2D depthwise separable convolutional network based deep learning method based on multipath feature fusion is developed. All of the proposed methods have been tested on frequently used IP, PU, SA, BO, HL, UH, KUM, and recently emerged WHU-Hi datasets. The obtained classification results with the proposed methods reveal that the proposed methods provide more successful classification performance than the state-of-the-art methods.
