Geospatial object recognition using deep networks for satellite images
Uydu görüntüleri için derin ağlar kullanılarak coğrafi nesnelerin tanımlanması
- Tez No: 507085
- Danışmanlar: PROF. DR. ABDULLAH AYDIN ALATAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Derin öğrenme paradigması, son on yıl içinde yeni makine öğrenimi algoritmalarındaki ve hesaplama donanımındaki son gelişmeler nedeniyle önemli bir ilgi çekmektedir. Uydu görüntü analizi, felaket ve kriz yönetimi, orman örtüsü, yol haritası, şehir planlaması, hatta askeri amaçlar gibi birçok hedefi olan önemli bir bilimsel araştırma alanıdır. Arazi örtüsü ya da farklı görüntüler arasındaki jeo-uzamsal nesnelerin mekânsal korelasyonları, insan yapımı yapılar ile arazi örtüsünün ve jeo-uzamsal nesnelerin tespiti ve sınıflandırılması için literatürde konvolüsyonel sinir ağlarının (CNN) yaygın bir şekilde kullanılmasına olanak sağlamaktadır. Yörüngede birçok yeni uyduların varlığından dolayı yüksek çözünürlüklü uydu görüntülerinin kullanılabilirliğindeki artışa dikkat çekerek, bu tür ağların eğitiminde kullanılacak olan verilere geçmişe kıyasla daha kolay ulaşılabilir. Bu çalışmada uydu görüntü analizi için üç ana araştırma yönü incelenmiş ve simülasyonlarla test edilmiştir. Görüntü parçalarında arazi örtüsü sınıflandırması, ilk olarak geleneksel CNN'ler kullanılarak elde edilir. Daha sonra, doğal manzaraların farklı arazi örtüsüne ayrılması, görüntüdeki her piksel için segment etiketleri sağlayabilen derin ağlar tarafından elde edilir. Son olarak, uydu görüntüleri üzerindeki jeo uzamsal nesnelerin saptanması, derin ağlara dayanan geleneksel nesne tespit teknikleri ile elde edilir. Tüm bu amaçlar için, çok bantlı bir uydu görüntü veri kümesi, çeşitli coğrafi ve insan yapımı nesneler için elle etiketlenir. Farklı mimarilerin, eğitim tekniklerinin ve eğitim parametrelerinin performansa etkisi simülasyonlar aracılığıyla incelenmiştir.
Özet (Çeviri)
Deep learning paradigm has been drawing significant interest during the last decade due to the recent developments in machine learning algorithms and improvements in the computational hardware. Satellite image analysis is also an important scientific area with many objectives, such as disaster and crisis management, forest cover, road mapping, city planning, even military purposes. Spatial correlations of land cover or geospatial objects between different images can be exploited by utilization of con- volutional neural networks (CNN) for classification, segmentation, and detection in remotely sensed images. Since the number of high resolution satellite images due to new satellites around the Earth is increased, the visual data for training of such networks is also more available compared to past. In this study, three main research directions for satellite image analysis is examined and tested through simulations. Land cover image scene classification of image patches is obtained by using con- ventional CNNs. Next, the segmentation of natural scenes into different land cover is obtained by deep networks that are capable of providing segment labels for every pixel on the image. Finally, detection of geospatial objects on satellite images is ob- tained by object detection techniques based on deep networks. For all these purposes, a multispectral satellite image dataset is manually labeled for several natural scene classes and human-made objects. Different architectures, training techniques and the training parameters are examined through simulations in different datasets.
Benzer Tezler
- Deprem sonrasında binaların hasar tespitinde kullanılan yapay öğrenme algoritmalarının analizi
Analysis of machine learning algorithms used in post-earthquake building damage assessment
SERHAT MÜRSEL KÖROĞLU
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. CANER 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
- Değişken rezolüzyonlu görüntü örnekleyici
Multi resolution image sampler
RIZA CAN TARCAN
Yüksek Lisans
Türkçe
1991
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiY.DOÇ.DR. M. SAİT TÜRKÖZ
- Derin öğrenme ile uydu görüntülerinde hedef tespiti
Target detection in satellite images using deep learning
VAZIRKHAN TARVERDIYEV
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Generalized texture models for detecting high-level structures in remotely sensed images
Uzaktan algılanan resimlerde üst düzey yapıları bulmak için genel doku modelleri
EMEL DOĞRUSÖZ
Yüksek Lisans
İngilizce
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. SELİM AKSOY