Geri Dön

Yüksek çözünürlüklü hava görüntülerinde az örnekli öğrenme yöntemiyle ağaçlık alan bölütlemesi

Woodland segmentation in high-resolution aerial imagery using few-shot learning

PDF İndir

  1. Tez No: 1019391
  2. Yazar: ZEHRA MERVE GÜL
  3. Danışmanlar: DOÇ. DR. MURAT GEZER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Enformatik Ana Bilim Dalı
  12. Bilim Dalı: Enformatik Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Ağaçlık alanların bölütlenmesi, çevresel sürdürülebilirlik takibi ve haberleşme altyapı planlaması gibi alanlarda kritik bir role sahiptir; ancak tam denetimli derin öğrenme modellerinin piksel tabanlı yoğun veri etiketleme gereksinimi, maliyet, zaman ve uygulanabilirlik açısından önemli kısıtlar oluşturmaktadır. Bu çalışma söz konusu kısıtlamaları aşmak amacıyla yüksek çözünürlüklü hava görüntüleri üzerinde ağaçlık alan bölütlemesi için prototip ağları tabanlı bir az örnekli öğrenme yaklaşımı sunmaktadır. LandCover.ai veri kümesi üzerinde gerçekleştirilen sistematik deneylerde, evrişimli ve dönüştürücü tabanlı sekiz farklı öznitelik omurgası, dondurulmuş ağırlıklarla karşılaştırılmış ve ardından en başarılı evrişimli mimariler üzerinde katman bazlı ince ayar stratejileri değerlendirilmiştir. Deneysel sonuçlar, önerilen yöntemin en yüksek başarımı dondurulmuş koşuldaki dönüştürücü tabanlı mimari ile elde ettiğini, evrişimli mimarilerde ise kontrollü katman açmanın başarımı daha da artırabildiğini göstermektedir. Önerilen yöntem, yoğun piksel düzeyinde etiketleme gerektirmeden yalnızca beş etiketli destek örneğiyle anlamlı düzeyde bölütleme başarımı sergilemiştir.

Özet (Çeviri)

Woodland segmentation plays a critical role in environmental sustainability monitoring and telecommunications infrastructure planning; however, fully supervised deep learning models impose significant constraints due to their intensive pixel-level annotation requirements. This study proposes a Prototypical Networks-based few-shot learning approach for woodland detection in high-resolution aerial imagery. Systematic experiments on the LandCover.ai dataset compared eight convolutional and transformer-based backbone architectures using frozen weights, followed by an evaluation of layer-wise fine-tuning strategies on the best-performing convolutional backbones. Experimental results demonstrate that the transformer-based architecture achieves the highest performance under frozen conditions, while controlled layer unfreezing on convolutional architectures further improves segmentation accuracy. The proposed method achieves meaningful segmentation performance using only five labeled support examples without requiring dense pixel-level annotation.

Benzer Tezler

  1. Tez No

    989342

    Kenar koruyucu filtreler kullanarak SAR görüntülerinin sınıflandırılması

    Classification of SAR images using edge preserving filters

    BARIŞ AKKUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Ana Bilim Dalı

    DOÇ. DR. ALİ CAN KARACA

    DR. AHMET ELBİR

  2. Tez No

    513721

    Change detection in multitemporal satellite images using multiscale bilateral filter and sift flow

    Çoklu zamanlı uydu görüntülerinde çoklu ölçekli bileteral süzgeç ve sıft akışı ile değişiklik tespiti

    BAHAA AWAD

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. IŞIN YAZGAN ERER

  3. Tez No

    732793

    Aircraft detection using deep learning

    Derin öğrenme kullanarak hava aracı tespiti

    UTKU MUTLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. SEDEF KENT PINAR

  4. Tez No

    784013

    Transfer learning based super resolution of aerial images and the effects of the super resolution on object detection

    Öğrenme transferi temelli hava aracı görüntülerinin süper çözünürlüğü ve süper çözünürlüğün nesne tespitine etkileri

    ASLAN AHMET HAYKIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLKAY ÖKSÜZ

  5. Tez No

    947974

    Effect of expanding bounding box annotations on small object detection performance in aerial imagery

    Sınırlayıcı kutu etiketlerinin büyütülmesinin havadan çekilen görüntülerde küçük nesne tespiti performansına etkisi

    MUSTAFA UĞUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HAZIM KEMAL EKENEL

Geri Dön