Yere nüfuz eden radar verilerinde tel tespiti için aktarım ve çok görevli öğrenme yöntemleri
Transfer and multi task learning methods for wire detection from ground penetrating radar data
- Tez No: 493930
- Danışmanlar: YRD. DOÇ. DR. SENİHA ESEN YÜKSEL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 106
Özet
Yere Nüfuz Eden Radar (YNR), gömülü hedef tespiti, sınıflandırması ve tanımlanması uygulamalarında yaygın olarak kullanılan bir araçtır. YNR, gömülü hedeflerin toprağa göre elektriksel iletkenlik farklılıklarından yararlanarak çıktı oluşturmaktadır. Aynı şekle sahip ancak farklı materyallerden oluşan hedeflerin sınıflandırılması, özellikle benzer elektriksel iletkenliğe sahip hedeflerde zor bir problemdir. Hedef dışındaki cisimlerden kaynaklı yansımalar, yani gürültüler, bu zorluğun katlanarak artmasına neden olmaktadır. Böyle bir sınıflandırma probleminde, öznitelik çıkarımının çok zor olması ve alan bilgisi gerektirmesi nedeniyle, derin öğrenme yöntemi kullanılmıştır. Derin öğrenme, verideki öznitelikleri ve sınıflandırıcıyı otomatik olarak öğrenmesi sayesinde son beş yıldır üstün performans sergileyerek öne çıkan bir yöntemdir. Derin öğrenme modeli, öznitelikleri otomatik olarak öğrenmek için çok sayıda veriye ihtiyaç duymaktadır. Gerçek veri toplamanın maliyetli ve zor olması nedeniyle bu tezde YNR benzetimi yapan gprMax programı ile sentetik YNR verisi üretilmiştir. Bu veri kümesi, kuru/nemli/ıslak topraklara yerleştirilmiş plastik tel hedefleri ile başka materyallerden yapılmış teller ve parazit cisimlerden oluşmaktadır. Üretilen veriler, üç çeşit sınıflandırma algoritmasıyla sınıflandırılmıştır. Bunlar (i) standart derin evrişimsel sinir ağları, (ii) aktarım öğrenmesi kullanılan bir derin öğrenme modeli ve (iii) çok görevli öğrenme kullanan bir derin öğrenme modelidir. Aktarım öğrenmesi, önceden çok sayıda veri ile eğitilmiş bir derin öğrenme modelinden kazanılan bilgilerin mevcut modele aktarılması işlemidir. Bu sayede önceden eğitilmiş modelin çok sayıda veriden kazandığı genel öznitelikler (ör. renk ve kenar algılama), mevcut derin öğrenme modeline aktarılarak, az sayıda eğitim verisi olmasına rağmen iyi bir sınıflandırılma başarımı elde edilmesi sağlanmıştır. Fakat farklı toprak türlerinde hedef tespitinin zorlaştığı görülmüştür. Bu nedenle hedef tespit başarımını daha da yükseltmek için çok görevli öğrenme yöntemi kullanılmıştır. Çok görevli öğrenme, diğer ilgili görevlerin eğitim bilgilerini kullanarak bir göreve yönelik öğrenmeyi iyileştiren bir yaklaşımdır. Bu tezde çok görevli öğrenmenin birincil görevi, hedefler ile hedef olmayan cisimlerin ayrılmasıdır. İkinci görevi ise toprak türünün tespitidir. Her görev için öğrenilenler, diğer görevlerin daha iyi öğrenilmesine yardımcı olabilir. Bu sayede, toprağın çeşidine göre hedef tespiti yapan, daha özelleştirilmiş bir sınıflandırıcı eğitilmiştir. Çok görevli öğrenme yönteminin uygulanması ile toprak türü görevinin öğrendiklerinin hedef tespit başarımına olumlu katkı sağladığı görülmüştür. Bu tezin amacı, gömülü olarak bulunan hedeflerin yüksek başarım ile doğru sınıflandırılmasıdır. Bu amaç doğrultusunda, derin öğrenme, aktarım öğrenmesi ve çok görevli öğrenme yöntemleri önerilmiş ve başarıma katkıları incelenmiştir.
Özet (Çeviri)
Ground Penetrating Radar (GPR) is a commonly used tool for buried target detection, classification and identification applications. GPR produces output based on the electrical conductivity differences of buried targets relative to the ground. Classification of targets with same shape but made up of different materials is a difficult problem, especially for targets with similar electrical conductivity. Reflections from objects except the target exponentially increase the difficulty of this problem. In such a classification problem, deep learning has been used since the extraction of features is very difficult and requires expert knowledge. Deep learning is a method that has demonstrated state-of-art performance over the last five years thanks to automatic learning of features in data and classifier. The deep learning model needs a lot of data to learn the features automatically. Since real data collection is costly and difficult, in this thesis synthetic GPR data is generated with the gprMax program, which simulates GPR. This dataset consist of plastic wire targets, wires which are made of other materials and clutter objects placed in dry / damp / wet soils. Generated data has been input into three classification algorithms; namely; (i) standard deep convolutional neural networks, (ii) a deep learning model that uses transfer learning and (iii) a deep learning model that uses multitask learning. Transfer learning is a process of transferring information acquired from a deep learning model previously trained with a large number of data to the current model. In this way, general features (color and edge perception) of the pre-trained model acquired from a large number data are transferred to the existing deep learning model and target detection performance has been increased. However, it has been observed that detecting targets in different soil types is difficult. For this reason, multitask learning method has been used to increase performance of the target detection. Multitask learning is an approach that improves learning about a task using the training knowledge of other related tasks. In this thesis, the primary task of multitask learning is to separate target and non-target objects. The second task is to determinate the soil type. Learning from each task can provide a better learning process for the other task. With multitask learning, a customized classifier has been trained to detect targets according to soil type. Application of the multitask learning method has shown that soil type task contributes positively to the achievement of target detection. The purpose of this thesis is to correctly classify buried targets with high performance. For this purpose, deep learning, transfer learning and multitask learning methods have been proposed and their contribution of achievement has been examined.
Benzer Tezler
- Yere nüfuz eden radar görüntülerinde derin öğrenme ile askeri anlamda tehdit oluşturabilecek gömülü alanların tespiti
Detection of buried areas that can cause military threat with deep learning in ground penetreating radar images
NİHAT ÖZSOY
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiSavunma Teknolojileri ve Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET DİKMEN
- Yere nüfuz eden radarlarda öğrenme tabanlı yeni kargaşa giderme yöntemleri
New learning-based clutter removal methods in ground penetrating radar
EYYUP TEMLİOĞLU
Doktora
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Missing data recovery in GPR with deep learning
Derin öğrenme ile GPR görüntülerinde veri kurtarma
KÜBRA TAŞ
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. IŞIN ERER
- Yere nüfuz eden radar ile duvar arkası görüntülemede yapay açıklıklı radar prensibi ve sinyal işleme teknikleriyle görüntü iyileştirme
Image enhancing via synthetic aperture radar and signal processing techniques in through-wall imaging with ground penetrating radar
MUSTAFA CAN ÖZTAP
Yüksek Lisans
Türkçe
2014
Elektrik ve Elektronik MühendisliğiHava Harp Okulu KomutanlığıElektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. NUMAN ÜNALDI
- Yere nüfuz eden radar teknolojileri kullanılarak yüzeyaltı sıvı kaçaklarının iki boyutlu radar görüntülerinin elde edilmesi
Obtaining two-dimensional radar images of subsurface water leakages using ground penetrating radar technologies
İSMAİL HAKKI ESKİDEMİR
Yüksek Lisans
Türkçe
2009
Elektrik ve Elektronik MühendisliğiMersin ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CANER ÖZDEMİR