Derin öğrenme modelleri kullanarak uzaktan algılama görüntülerinde değişimlerin tespit edilmesi
Change detection in remote sensing images using deep learning models
- Tez No: 1019587
- Danışmanlar: PROF. DR. AHMET BABALIK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde bilişim teknolojisindeki gelişmeler ve artan veri hacminin de etkisiyle birçok operasyon bilişim sistemleri tarafından otomatik olarak gerçekleştirilmektedir. Yapay zekâ alanındaki gelişmeler veri analizinde yapay zekâ tekniklerinin etkin olarak kullanılmasına imkân sağlamaktadır. Uzaktan algılamada değişim tespiti de özellikle son yıllarda derin öğrenme yöntemleriyle sunulan çözümlerin artmakta olduğu bir alandır. Sunulan yöntemler, dünya yüzeyinin izlenmesi, afet sonrası hasar tespiti gibi amaçlarla kullanılabilmektedir. Uzaktan algılamada değişim tespitinde yeryüzüne ait çeşitli sensörler yardımıyla elde edilen iki zamanlı görüntülerin karşılaştırılmasıyla değişim olan bölgelerin tespit edilmesi amaçlanmaktadır. Sınıf sayısına göre değişim tespiti; ikili değişim tespiti ve anlamsal değişim tespiti olarak ikiye ayrılmaktadır. Yalnızca değişim varlığının tespit edildiği ikili değişim tespiti çalışmalarında bina, yol gibi tek bir nesne sınıfını tespit etmenin yanında genel değişimler de belirlenmektedir. Anlamsal değişim tespitinde ise değişim varlığıyla beraber değişimin türü de belirlenmektedir. Bu tez çalışmasında uzaktan algılamada değişim tespiti için ikili değişim tespiti gerçekleştirilmiştir. Literatürde var alan EGDENet derin öğrenme modelinin omurga ağı, resim özelliklerinin daha etkin elde edilmesi amacıyla iteratif VGG16 ağı ile değiştirilmiştir. Ayrıca omurga ağında füzyon mekanizması değiştirilerek modelin tespit başarısının arttırılması amaçlanmıştır. Bununla beraber son katmanların çıktıları kanal boyutunda birleştirilerek ana tahminin oluşturulması sağlanmıştır. Modelin genel başarısını arttırmak için, modelin eğitim aşamasında derin denetim yöntemi kullanılarak kayıp fonksiyonun hesaplanmasında kullanılan yardımcı çıktılar üretilmiştir. Yapılan deneyler sonucunda önerilen yöntem ile LEVIR-CD veri setinde %92,07 F1 skoru ve %85,30 IoU değeri, CDD veri setinde ise %97,51 F1 skoru ve %95,14 IoU değeri elde edilmiştir.
Özet (Çeviri)
Nowadays, many operations are automatically carried out by information systems due to the developments in information technology and the increasing volume of data. Developments in the field of artificial intelligence enable the effective use of AI techniques in data analysis. Change detection in remote sensing is also an area where solutions offered by deep learning methods have been increasing, especially in recent years. The presented methods can be used for purposes such as monitoring the Earth's surface and damage assessment after disasters. In remote sensing change detection, the aim is to identify areas of change by comparing bi-temporal images obtained obtained from the Earth's surface using various sensors. According to the number of classes, change detection is divided into binary change detection and semantic change detection. In binary change detection studies, where only the presence of change is identified, general changes are also detected in addition to identifying a single object class such as buildings or roads. In semantic change detection, the type of change is also determined along with the presence of change. In this thesis, binary change detection has been performed for remote sensing change detection. The backbone network of the existing EGDENet deep learning model in the literature has been replaced with an iterative VGG16 network to more effectively extract image features. Additionally, the fusion mechanism in the backbone network was modified to enhance the model's detection performance. Moreover, the outputs of the last layers were concatenated along the channel dimension to create the main prediction. To enhance the overall performance of the model, auxiliary outputs used in the calculation of the loss function were produced during the training phase using the deep supervision method. As a result of the experiments conducted, the proposed method achieved an F1 score of 92.07% and an IoU of 85.30% on the LEVIR-CD dataset, and an F1 score of 97.51% and an IoU of 95.14% on the CDD dataset.
Benzer Tezler
- İstanbul'da kentsel büyümenin senaryo tabanlı modellenmesi ve ekolojik açıdan değerlendirilmesi
Scenario-based modeling and evaluation of urban growth in Istanbul
ALİYE GONCA BOZKAYA KARİP
Doktora
Türkçe
2024
Şehircilik ve Bölge PlanlamaMimar Sinan Güzel Sanatlar ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. FATMA ÜNSAL
- Investigating the performance of super-resolved remote sensing images on coastline segmentation with deep learning-based methods
Derin öğrenme tabanlı yöntemlerle kıyı şeridi segmentasyonunda süper çözünürlüklü uzaktan algılama görüntülerinin performansının araştırılması
İLHAN PALA
Yüksek Lisans
İngilizce
2025
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI
- Uzaktan algılama ve derin öğrenme yöntemleri ile İstanbul'un yerel iklim alanları ve yer yüzeyi sıcaklığı değişimleri arasındaki ilişkinin incelenmesi
Investigation of the relationship between local climate zones and land surface temperature changes in İstanbul using remote sensing and deep learning methods
MELİKE NİCANCI SİNANOĞLU
Yüksek Lisans
Türkçe
2024
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ŞİNASİ KAYA
- Arazi örtüsü ve kullanımı için SAR görüntülerinin sınıflandırılmasında topluluk öğrenme tabanlı yaklaşım
Ensemble learning-based approach to classification of SAR images for land cover and use
ELİF MEŞECİ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CANER ÖZCAN
- Çok zamanlı sentinel-2 görüntüleri kullanılarak genelleştirilebilir toplu derin öğrenme modellerinin geliştirilmesi: Kavak plantasyon alanlarının haritalanması örneği
Development of generalizable ensemble deep learning models using multi-temporal sentinel-2 images: A case study on mapping of poplar plantation areas
MUHAMMED YUSUF ÖZTÜRK
Doktora
Türkçe
2026
Jeodezi ve FotogrametriGebze Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİL ÇÖLKESEN