Geri Dön

Çok dallı derin öğrenme mimarileri kullanılarak muhtemel askeri hedef alanlarının sınıflandırılması

Classification of potential military target areas using multi-branch deep learning architectures

PDF İndir

  1. Tez No: 1009365
  2. Yazar: HALİT MESUT YILDIZ
  3. Danışmanlar: DOÇ. DR. ZEYNEP GARİP
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Savunma ve Savunma Teknolojileri, Science and Technology, Computer Engineering and Computer Science and Control, Defense and Defense Technologies
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Sakarya Uygulamalı Bilimler Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Modern harp sahasında obüs, çok namlulu roketatar (ÇNRA) ve füze sistemleri gibi ağır silahlardan teşkil edilen ateş destek unsurlarının kullanımı; mühimmatların geniş etki yarıçapları nedeniyle Uluslararası Silahlı Çatışma Hukuku ve Angajman Kurallarına (ROE) mutlak riayeti zorunlu kılmaktadır. İkincil hasar riskinin yönetilmesi ve sivil kayıpların önlenmesi gerekliliği, hedef analizi sürecindeki insan operatörlerin bilişsel yükünü artırarak zamanın kısıtlı olduğu kritik kararlarda hata payını yükseltmektedir. Bu tez çalışması, hava görüntüleri üzerinden hedef bölgesinin atışa uygunluğunu otonom ve yüksek hassasiyetle tespit eden, karar döngüsündeki operatöre destek sağlayan Çok Dallı Derin Öğrenme Mimarisi sunmaktadır. Geliştirilen model, hedef sahasını askeri doktrine uygun olarak üç ana sınıfa ayırmaktadır. Bu sınıflar, herhangi bir koordinasyon kısıtlaması olmaksızın angajman yapılabilen“Ateş Serbest Bölgesi”, sivil mevcudiyeti nedeniyle atışın kesinlikle yasaklandığı“Ateş Yasak Bölgesi”ve ancak yüksek askeri kazanım durumunda stratejik onay ile vurulabilen“Kritik Altyapı Bölgesi”dir. Literatürdeki tekil yaklaşımların aksine bu çalışma, yerel detayları ve küresel bağlamı eş zamanlı işleyen çok dallı bir yapı önermektedir. Mimarinin birinci dalı, Vision Transformer (ViT) ile nesneler arası uzun mesafeli anlamsal ilişkileri analiz ederken; ikinci dal Konvolüsyonel Sinir Ağları (CNN) ile görüntülerden türetilen Sobel, Local Binary Pattern (LBP) ve Gabor filtreleri yardımıyla yerel doku özniteliklerini çıkarmaktadır. Bu strateji, CNN'in nesne odaklı bakış açısı ile ViT'in bütüncül algısını birleştirerek stratejik tesislerin karmaşık meskun mahal yapılarından ayırt edilmesini sağlamıştır. Modelin başarısı, konunun uzmanı askeri personel tarafından etiketlenen ve veri artırma teknikleriyle zenginleştirilen 1637 adetlik özgün veri kümesi üzerinde test edilmiştir. Deneyler sonucunda önerilen çok dallı yapı; tekil CNN (%95,23) ve ViT (%95,43) modellerini geride bırakarak %97,46 doğruluk oranına ulaşmış ve genel performans açısından en başarılı mimari olduğunu kanıtlamıştır. Yapılan karmaşıklık matrisi analizlerinin de bu sayısal başarıyı desteklediği ortaya konmuştur. Elde edilen sonuçlar, bu çalışmanın ağır silahların kullanımında Kuzey Atlantik Antlaşması Örgütü (NATO) standartlarına ve etik normlara uygun, sivil zayiat riskini azaltmaya katkı sağlayacak etkin bir karar destek altyapısı oluşturma potansiyeli taşıdığını göstermektedir.

Özet (Çeviri)

In the modern battlespace, the employment of fire support elements composed of heavy weapons such as howitzers, Multiple Launch Rocket Systems (MLRS), and missile systems mandates absolute compliance with the Law of Armed Conflict (LOAC) and Rules of Engagement (ROE) due to the wide effective radii of the munitions. The necessity of managing collateral damage risk and preventing civilian casualties increases the cognitive load on human operators during the target analysis process, thereby heightening the margin of error in time-critical decisions. This thesis proposes a Multi-Branch Deep Learning Architecture that autonomously and precisely determines the engagement suitability of a target area using aerial imagery, providing decision support to the operator within the decision-making cycle. The developed model categorizes the target area into three main classes in accordance with military doctrine. These classes are the“Free Fire Area,”where engagement can be conducted without coordination restrictions; the“No-Fire Area,”where firing is strictly prohibited due to civilian presence; and the“Critical Infrastructure Zone,”which can be engaged only with strategic approval in cases of high military payoff. Contrary to unimodal approaches in the literature, this study proposes a multi-branch structure that simultaneously processes local details and global context. The first branch of the architecture analyzes long-range semantic relationships between objects using the Vision Transformer (ViT), while the second branch extracts local texture features via Sobel, LBP, and Gabor filters derived from images using Convolutional Neural Networks (CNN). This strategy combines the object-oriented perspective of CNN with the holistic perception of ViT, enabling the distinction of strategic facilities from complex urban environments. The success of the model was tested on a unique dataset of 1,637 images, labeled by military subject matter experts and enriched with data augmentation techniques. Experimental results demonstrated that the proposed multi-branch structure achieved an accuracy rate of 97.46%, outperforming single CNN (95.23%) and ViT (95.43%) models, proving to be the most successful architecture in terms of overall performance. Confusion matrix analyses also corroborated this numerical success. The obtained results indicate that this study holds the potential to establish an effective decision support infrastructure that complies with North Atlantic Treaty Organization (NATO) standards and ethical norms regarding the use of heavy weapons, contributing to the reduction of civilian casualty risks.

Benzer Tezler

  1. Tez No

    997275

    Fusion of RGB and thermal image pairs for object and face liveness detection

    Nesne ve yüz canlılığı tespiti için RGB ve termal görüntü çiftlerinin birleştirilmesi

    MERVE ERŞAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TAYFUN AKGÜL

  2. Tez No

    710132

    Görüntü manipülasyonlarının derin öğrenme yaklaşımı ile belirlenmesi

    Detection of image manipulations with deep learning approach

    SEMİH YAVUZKILIÇ

    Doktora

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiFırat Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULKADİR ŞENGÜR

  3. Tez No

    883233

    Doğal dil işleme alanındaki derin öğrenme modellerinin karşılaştırılması

    Comparison of deep learning models in natural language processing

    TUNA TOPAÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ALTAN MESUT

  4. Tez No

    616855

    Derin öğrenme kullanarak ovaryum follikülerinin sınıflandırılması

    Classification of ovarian follicles with deep learning

    ÖZKAN İNİK

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ERKAN ÜLKER

  5. Tez No

    933727

    Panoramik radyografilerde apikal lezyonların segmentasyon ve tespitinde derin öğrenme modellerinin başarı oranlarının incelenmesi

    Investigation of success rates of deep learning models in segmentation and detection of apical lesions in panoramic radiographs

    ALPEREN YALIM

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2025

    Diş Hekimliğiİzmir Katip Çelebi Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    DOÇ. DR. EMRE AYTUĞAR

Geri Dön