Akademik Veri Yönetim Sistemi
31. IEEE Sinyal İşleme ve İletişim Uygulamaları Kurultayı (SİU 2023), İstanbul, Türkiye, 5 - 08 Temmuz 2023, ss.1-4
Hiperspektral veriler, barındırdıkları yüksek miktardaki spektral bilgi ile sınıflandırmada yüksek başarım imkanı sağlarlar. Bununla birlikte, makine öğrenmesi yaklaşımlarının bütünüyle kara kutu veya en azından ara aşamaları kapalı olabilen yapıları sınıflandırma süreçlerini genellikle yorumlanması zor ve açıklanabilirliği düşük kılmaktadır. Bu çalışma kapsamında, bir açıklanabilir yapay zeka (AYZ) yöntemi olan SHAP, hiperspektral sınıflandırma sürecinin yorumlanabilirliği için kullanılmaktadır. Önerilen yaklaşım ile, eğitilen sınıflandırma modeli üzerinden, her bir sınıf için, bant-tabanlı SHAP değerleri elde edilerek, spektral bantların sınıf-tabanlı olarak sınıflandırma sürecindeki katkılarına dair nicel bir değerlendirme elde edilmektedir. Ön deneysel sonuçlar bu bildiride sunulmuştur ve yaklaşımın potansiyeline ışık tutmaktadır.
Hyperspectral data enable high classification accuracies due to the large amount of spectral information they contain. However, the complete black box or at least partially opaque nature of machine learning approaches often make classification processes challenging to interpret and low in explainability. In this work, SHAP, which is an explainable artificial intelligence (XAI) method, is used for the interpretability of hyperspectral classification. For each class, band-based SHAP values are obtained over the trained classification model, providing a quantitative evaluation of the contribution of the spectral bands to the classification process. Preliminary experimental results are provided in this paper, and shed light on the proposed method's potential.