Multi-label content-based remote sensing image retrieval
Çok etıketlı içerık tabanlı uzaktan algılama görüntüerışımı
- Tez No: 1005489
- Danışmanlar: PROF. DR. ERCHAN APTOULA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimi ve Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, Dünya gözlem teknolojilerinin hızla genişlemesiyle birlikte devasa uzaktan algılama görüntü arşivlerinin ortaya çıkmasının, verimli ve güvenilir erişim sistemlerine olan ihtiyacı artırdığı gerçeğini ele almaktadır. Tek etiketli İçerik Tabanlı Görüntü Erişimi (İTGE) yöntemleri, çeşitli, örtüşen ve birlikte görülen arazi örtüsü türlerini içeren karmaşık çoklu etiketli sahneleri işleme konusundaki sınırlılıkları nedeniyle sıklıkla eleştirilmektedir. Bu zorlukları gidermek amacıyla, bu tezde çoklu etiketli İTGE için ayrıştırıcı ve özellik gösterimleri elde etmek üzere karşıtsal öğrenme yöntemlerinin kullanımı araştırılmaktadır. Literatürde bildirilen yaklaşımların kapsamlı bir karşılaştırmasına ek olarak, yeni bir Çoklu Etiketli Uyarlamalı Karşıtsal Kayıp fonksiyonu sunulmaktadır. Bu fonksiyon, sınıflar arası birlikte görülme ilişkilerini yakalayan dengeli ve bağıntı farkındalığına sahip bir özellik öğrenimini teşvik etmek amacıyla ikili etiket yeniden ağırlıklandırma ve dinamik sıcaklık ölçekleme olmak üzere iki uyarlamalı mekanizma içermekztedir. İlk mekanizma nadir veya bilgilendirici etiketlerin etkisini artırırken, ikinci mekanizma örnekler arasındaki anlamsal örtüşmeye bağlı olarak benzerlik duyarlılığını ayarlamaktadır. Bu uyarlamalı süreçler, hem yaygın hem de nadir kategorilerin öğrenme sürecine etkili şekilde katkıda bulunmasına olanak tanıyarak sınıflar arası ilişkilerin daha doğru modellenmesini hedeflemektedir. Birden fazla çoklu etiketli uzaktan algılama veri kümesi üzerinde gerçekleştirilen deneyler, farklı değerlendirme metriklerinde tutarlı iyileşmeler göstermiş ve önerilen yaklaşımın büyük ölçekli ve anlamsal olarak karmaşık görüntü erişimi için etkinliğine işaret etmektedir.
Özet (Çeviri)
This thesis aims to address the fact that the rapid expansion of Earth observation technologies has been accompanied by the creation of massive remote sensing image archives, leading to a demand for efficient and reliable retrieval systems. Single-label \gls{cbir} methods are often criticized for their limitation in handling complex multi-label scenes with diverse, overlapping and co-occurring land-cover types. To address these challenges, in this thesis the use of contrastive learning for multi-label CBIR is investigated to obtain discriminative and semantically meaningful feature representations. Besides an extensive comparison of reported approaches, a new Multi-Label Adaptive Contrastive Loss function is introduced. It incorporates two adaptive mechanisms, referred to as pairwise label reweighting and dynamic temperature scaling, to promote balanced and relationship-aware feature learning that captures inter-class co-occurrence relations. The influence of rare or informative labels is increased by the first mechanism, while similarity sensitivity is adjusted by the second according to the semantic overlap between samples. These adaptive processes are designed to enable more accurate modeling of inter-class relationships, ensuring that both frequent and rare categories are allowed to contribute effectively. Experiments on multiple multi-label remote sensing datasets show consistent improvements across evaluation metrics and underline the effectiveness of the proposed framework for large-scale, semantically complex image retrieval.
Benzer Tezler
- Derin öğrenme ile çoklu bantlı uzaktan algılanmış görüntülerin içerik tabanlı erişimi
Content based multivariate remote sensing image retrieval with deep learning
ÖZGÜ GÖKSU
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERCHAN APTOULA
- Vision transformer network implementation for multi-label image classification
Çoklu etiketli görüntü sınıflandırması için görüntü dönüştürücü ağ uygulaması
EMRE AKKAŞ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELDA GÜNEY
- Land cover and land use classification of multi-modal high-resolution satellite images using multi-task deep learning approach
Çok görevli derin öğrenme tekniği ile çok kipli yüksek çözünürlüklü uydu görüntülerinin arazi örtüsü ve arazi kullanımı sınıflandırılması
BURAK EKİM
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Uzaktan çok kaynaklı ölçümler yoluyla varlık verilerinin güvenilirliği
Uzaktan çok kaynakli ölçümler yoluyla varlik veri̇leri̇ni̇n güveni̇li̇rli̇ği̇
SALİHCAN KARAMAN
Yüksek Lisans
Türkçe
2026
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ONUR BEHZAT TOKDEMİR
- Uydu verileri ile İstanbul Boğazı ve Haliç'de su kirliliğinin makro düzeyde belirlenmesi
Intrepretation at macro level as pollution of water resources of remotely sensed data of Bosphorus and golden horn estuary by an unsupervised and supervised classification method
H.GONCA COŞKUN