Geri Dön

Fine-grained object recognition in remote sensing imagery

Uzaktan algılanmış görüntülerde ince taneli nesne tanıma

  1. Tez No: 507229
  2. Yazar: GENCER SÜMBÜL
  3. Danışmanlar: DOÇ. DR. SELİM AKSOY, DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ
  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: 2018
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 79

Özet

İnce taneli nesne tanıma, cok sayıda alt kategori arasından hedef nesnenin türünü belirleme görevi ile ilgilenir. Uzaktan algılanmış görüntülerde yeni detayların ortaya çıkmasını sağlayan uzamsal ve spektral çözünürlükteki sürekli artış ve zor algılanan farklara sahip olan daha çeşitli hedef nesne sınıflarının ortaya çıkışı bunu yeni bir uygulama haline getirmektedir. Tek bir veri kaynağından alınan görüntüleri kullanan yaklaşımlarda, denetimli algoritmalar, düşük sınıflar arası değişinti ve yüksek sınıf içi değişintiye ek olarak küçük örneklem büyüklüğü nedeniyle bu problemi tam olarak çözemez. Bu sorunların yanı sıra, daha da zorlu bir görev olarak sınıfların bazıları için hiçbir eğitim örneği bulunmayan örneksiz öğrenme problemi ele alınabilir. Örneksiz öğrenme, daha önce öğrendiği alt kategorilerle, eğitim örnekleri olmayan yeni alt kategorileri ilişkilendirerek bir tanıma modeli oluşturmayı amaçlamaktadır. Bu ilişkiyi kurmak için geliştirdiğimiz yöntem, derin bir evrişimsel sinir ağından elde edilen görüntü temsili ile sınıfların anlamsal özelliklerini tanımlayan yardımcı bilgiler arasında bir uyumluluk fonksiyonu öğrenir. Eğitim örneği olmayan sınıflar için bilgi aktarımı, çıkarım esnasında bu fonksiyonun en büyüklenmesi ile gerçekleştirilir. Örneksiz öğrenmeye ek olarak çoklu veri kaynaklarından faydalanmak, nesne tanıma performansını sınırlayan alt kategorilerin benzerliğinin yarattığı olumsuz etkilerin üstesinden gelebilir. Ancak bu durum aynı zamanda yeni sorunları ortaya çıkarmaktadır. Farklı uzamsal ve spektral çözünürlüklerde, farklı koşullar altında ve farklı sensörlerden elde edilen görüntüler; mevsimsel değişiklikler, farklı görüntüleme geometrisi, edinim gürültüsü, sensörlerin kusurları, farklı atmosfer koşulları vb. nedeniyle geometrik olarak doğru şekilde çakıştırılamayabilirler. Bu çalışmada farklı kaynaklardan edinilen görüntüleri doğru bir şekilde çakıştırmayı ve sınıflandırma kurallarını aynı anda tek bir çerçevede öğrenmeyi amaçlayan bir sinir ağı modeli önerilmiştir. Bunu yapmak için bir görüntü kaynak görüntü olarak kullanılır. Diğer görüntülerde olası bölge önerilerinin temsilleri ağırlıklandırılarak kaynak görüntü ile çakışan doğru uzamsal bölge kestirilir. Kaynak görüntüsünden çıkarılan derin özelliklerin yardımıyla gerekli ağırlıklar bulunur. Sonunda, alt kategorilerin sınıflandırılması, kaynak bölgeden ve kestirilmiş hedef bölgelerden çıkarılan temsillerin kaynaştırılması ile gerçekleştirilir. Yeni önerilen bir veri kümesi üzerinde yapılan deneysel analiz, her iki yöntemin de başarılı sonuçlar verdiğini göstermektedir.

Özet (Çeviri)

Fine-grained object recognition aims to determine the type of an object in domains with a large number of sub-categories. The steadily increase in spatial and spectral resolution entailing new details in remote sensing image data, and consequently more diversified target object classes having subtle differences makes it an emerging application. For the approaches using images from a single domain, widespread fully supervised algorithms do not completely fit into accomplishing this problem since target object classes tend to have low between-class variance and high within-class variance with small sample sizes. As an even more arduous task, a method for zero-shot learning (ZSL), in which identification of unseen sub-categories is tackled by associating them with previously learned seen subcategories when there is no training example for some of the classes, is proposed. More specifically, our method learns a compatibility function between image representation obtained from a deep convolutional neural network and the semantics of target object sub-categories explained by auxiliary information gathered from complementary sources. Knowledge transfer for unseen classes is carried out by maximizing this function throughout the inference. Furthermore, benefitting from multiple image sensors can overcome the drawbacks of closely intertwined sub-categories that limits the object recognition performance. However, since multiple images may be acquired from different sensors under different conditions at different spatial and spectral resolutions, they may be geometrically unaligned correctly due to seasonal changes, different viewing geometry, acquisition noise, an imperfection of sensors, different atmospheric conditions etc. To address these challenges, a neural network model that aims to correctly align images acquired from different sources and to learn the classification rules in a unified framework simultaneously is proposed. In this network, one of the sources is used as the reference and the others are aligned with the reference image at representation level throughout a learned weighting mechanism. At the end, classification of sub-categories is carried out with a feature-level fusion of representations from the source region and estimated multiple target regions. Experimental analysis conducted on a newly proposed data set shows that both zero-shot learning algorithm and the multi-source fine-grained object recognition algorithm give promising results.

Benzer Tezler

  1. Weakly supervised approaches for image classification in remote sensing and medical image analysis

    Uzaktan algılama ve tıbbi görüntü analizinde zayıf denetimli görüntü sınıflandırma yaklaşımları

    BULUT AYGÜNEŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELİM AKSOY

    DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ

  2. Statistical methods for fine-grained retail productrecognition

    İnce taneli perakende ürün tanıma sistemi için istatistikyöntemler

    İPEK BAZ

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜJDAT ÇETİN

    DR. ERDEM YÖRÜK

  3. Öbek analizi algoritmaları

    Başlık çevirisi yok

    MUHAMMET ALTUN

    Yüksek Lisans

    Türkçe

    Türkçe

    1998

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Mühendislik Bilimleri Ana Bilim Dalı

    YRD. DOÇ. DR. ALİ ERCENGİZ

  4. Derin öğrenme ile nesne algılamada transfer öğrenme ve ince ayar işlemlerinin etkinliklerinin araştırılması

    Studying effectiveness of transfer learning and fine tuning processes in object detection with deep learning

    MEHMET UĞUR TÜRKDAMAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CELAL ÖZTÜRK

  5. 20.yüzyılda Amerika'da baskı resimde toplumsal eğilimler

    Social trends in printmaking in America in the 20th century

    SEDA NUR YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Güzel SanatlarTekirdağ Namık Kemal Üniversitesi

    Resim Ana Sanat Dalı

    PROF. MELİHAT TÜZÜN