Band Reducing Based SVM Classification Method in Hyperspectral Image Processing

Yaman, Orhan; Yetiş, Hasan; Karaköse, Mehmet

doi:10.1109/zinc50678.2020.9161813

Cited by 3 publications

(3 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Management. When the weights of evaluation experts are determined by the experts' credibility, different weighting formulas can produce different expert weight coefficients; for example, if we use formula (23) to generate the evaluation expert weight w i ′ :…”

Section: Discussion Of Weight Selection In Supplier Selectionmentioning

confidence: 99%

See 1 more Smart Citation

A Study of Supplier Selection Method Based on SVM for Weighting Expert Evaluation

Zhao

Zhu

2021

Discrete Dynamics in Nature and Society

View full text Add to dashboard Cite

How to choose suppliers scientifically is an important part of strategic decision-making management of enterprises. Expert evaluation is subjective and uncontrollable; sometimes, there exists biased evaluation, which will lead to controversial or unfair results in supplier selection. To tackle this problem, this paper proposes a novel method that employs machine learning to learn the credibility of expert from historical data, which is converted to weights in evaluation process. We first use the Support Vector Machine (SVM) classifier to classify the historical evaluation data of experts and calculate the experts’ evaluation credibility, then determine the weights of the evaluation experts, finally assemble the weighted evaluation results, and get a preference order of choosing suppliers. The main contribution of this method is that it overcomes the shortcomings of multiple conversions and large loss on evaluation information, maintains the initial evaluation information to the maximum extent, and improves the credibility of evaluation results and the fairness and scientificity of supplier selection. The results show that it is feasible to classify the past evaluation data of the evaluation experts by the SVM classification model, and the expert weights determined on the basis of the evaluation credibility of experts are adjustable.

show abstract

Section: Discussion Of Weight Selection In Supplier Selectionmentioning

confidence: 99%

“…SVM uses limited sample information to best compromise between model complexity and learning ability and obtains good generalization ability [21]. It has been widely used in many fields like classification [22,23], feature selection [24], pattern recognition [25], and troubleshooting [26].…”

Section: Introductionmentioning

confidence: 99%

A Study of Supplier Selection Method Based on SVM for Weighting Expert Evaluation

Zhao

Zhu

2021

Discrete Dynamics in Nature and Society

View full text Add to dashboard Cite

show abstract

“…Gerçekleştirilen bu çalışmada Ki-Kare yöntemi ile elde edilen en ağırlıklı özellikler SVM algoritması kullanılarak sınıflandırılmıştır. Lineer olmayan problemlerde başarılı çözümler sunan bu algoritma literatürde sıklıkla kullanılan makine öğrenmesi yöntemlerinden birisi olup, genellikle tahmin ve sınıflandırma uygulamalarında tercih edilmektedir (N. Baygin et al, 2019;Yaman et al, 2020). SVM algoritması temel olarak giriş vektörünü bir özellik uzayına dönüştürerek, bu özellik uzayının çıkış vektörü ile ilişkisini hesaplamaktadır.…”

Section: Destek Vektör Makineleriunclassified

Akıllı Şehirler için Özellik Çıkarımı ve Makine Öğrenmesi Tabanlı Asfalt Durum İzleme Yaklaşımı

Bayğın¹,

Yaman²,

Tuncer³

2021

European Journal of Science and Technology

Self Cite

View full text Add to dashboard Cite

Öz Karayolu taşımacılığı günümüzde sıklıkla kullanılan bir taşımacılık yöntemi olup, araçların daha güvenlikli bir yolculuk yapabilmesi amacıyla sürekli gelişim göstermektedir. Karayollarında kullanılan temel kaplama malzemesi asfalttır. Asfalt malzemesi ise özellikle başta zaman olmak üzere, yoğun trafik kullanımına bağlı olarak deforme olabilmekte ve yıpranmaktadır. Bu çalışma deforme olan ve yıpranan asfaltı görüntü işleme yöntemiyle tespit etmeyi ve sağlam-arızalı olarak sınıflandırmayı amaçlamaktadır. Bu amaçla bir karayolu aracına monte edilen kamera ile toplam 3912 adet asfalt görüntüsü toplanmıştır. Öncelikle bu görüntülere ortalama havuzlama yöntemi uygulanmış ve görüntüler bir ön işlemeye tabi tutulmuştur. Bu algoritma ile görüntülerde boyut azaltma işlemi yapılmıştır. Ön işleme adımından sonra yönlendirilmiş gradyan histogramı (HOG) yöntemi kullanılarak görüntülerden özellik çıkarımı yapılmıştır. Bu işlemden sonra Ki-Kare yöntemi ile özellik seçimi uygulanmış ve ağırlıklı öz nitelikler elde edilmiştir. Son olarak elde edilen bu özellikler destek vektör makinleri (SVM) yöntemi kullanılarak sınıflandırılmış ve elde edilen sonuçlar performans yönünden değerlendirilmiştir. Performans metrikleri olarak doğruluk, kesinlik, duyarlılık, geometrik ortalama ve f-skor değerleri hesaplanmıştır. Önerilen yöntem sonucunda %96.5 oranında bir doğruluk elde edilmiştir. Çalışma kapsamında test edilen yöntemin uygulanmasıyla asfalt kaplama malzemesinin insan müdahalesine gerek kalmadan yıpranma durumunun anlaşılabileceği ortaya koyulmuştur. Dolayısıyla, sürekli kontrolün oldukça zor olduğu bu işlemde makine öğrenmesi tabanlı otomatik arıza tespit yöntemi kullanılabilir. Bu sayede daha güvenli bir sürüş deneyimi yaşanması için asfalt bakım ve onarım giderlerinin azaltılmasına katkıda bulunulmuştur. Elde edilen sonuçlar, literatür ışığında tartışılmış ve yöntemin başarısı literatürle de desteklenmiştir.

show abstract

Spectral-Swin Transformer with Spatial Feature Extraction Enhancement for Hyperspectral Image Classification

et al. 2023

View full text Add to dashboard Cite

Hyperspectral image classification (HSI) has rich applications in several fields. In the past few years, convolutional neural network (CNN)-based models have demonstrated great performance in HSI classification. However, CNNs are inadequate in capturing long-range dependencies, while it is possible to think of the spectral dimension of HSI as long sequence information. More and more researchers are focusing their attention on transformer which is good at processing sequential data. In this paper, a spectral shifted window self-attention based transformer (SSWT) backbone network is proposed. It is able to improve the extraction of local features compared to the classical transformer. In addition, spatial feature extraction module (SFE) and spatial position encoding (SPE) are designed to enhance the spatial feature extraction of the transformer. The spatial feature extraction module is proposed to address the deficiency of transformer in the capture of spatial features. The loss of spatial structure of HSI data after inputting transformer is supplemented by proposed spatial position encoding. On three public datasets, we ran extensive experiments and contrasted the proposed model with a number of powerful deep learning models. The outcomes demonstrate that our suggested approach is efficient and that the proposed model performs better than other advanced models.

show abstract

Band Reducing Based SVM Classification Method in Hyperspectral Image Processing

Cited by 3 publications

References 15 publications

A Study of Supplier Selection Method Based on SVM for Weighting Expert Evaluation

A Study of Supplier Selection Method Based on SVM for Weighting Expert Evaluation

Akıllı Şehirler için Özellik Çıkarımı ve Makine Öğrenmesi Tabanlı Asfalt Durum İzleme Yaklaşımı

Spectral-Swin Transformer with Spatial Feature Extraction Enhancement for Hyperspectral Image Classification

Contact Info

Product

Resources

About