Derin öğrenme yöntemiyle çok bantlı görüntülerde anlamsal bölütleme
Semantic segmentation in multi-band images with deep learning method
- Tez No: 533325
- Danışmanlar: PROF. DR. VEYSEL ASLANTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin Öğrenme, Görüntü Anlamsal Bölütleme, Evrişimli Sinir Ağları, deep learning, image semantic segmentation, convolutional neural networks
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 80
Özet
Görüntünün anlamlı bölgelere ayrılması işlemi olarak bilinen görüntü anlamsal bölütlemesi, görüntü içeriğinin anlaşılması hususunda temel adımlardan biri olarak kabul edilmektedir. Görüntü anlamsal bölütlemesi; askeri, biyomedikal, uzaktan algılama, endüstriyel ve robotik gibi birçok alanda yaygın olarak kullanılmaktadır. Bölütleme işleminde, bir bantlı veya çok bantlı görüntüler kullanılmaktadır. Bir çevreye ait, farklı dalga boylarında görüntüleme yapan algılayıcılar ile yakalanan görüntüler birbirlerini tamamlayıcı bilgiler içermektedir. Dolayısıyla, farklı dalga boylarında görüntüleme yapan algılayıcılar kullanılarak yapılan çalışmalar, yalnız bir dalga boyunda görüntüleme yapan algılayıcıların kullanıldığı çalışmalara göre daha etkili sonuçlar vermektedir. Bu sebeple bu tez çalışmasında çok bantlı görüntüler kullanılarak görüntülerin anlamsal bölütlemesi gerçekleştirilmiştir. ˙Iş yükü oldukça fazla olan, piksel seviyesinde sınıflandırma olarak da bilinen anlamsal bölütleme işlemine çok bantlı görüntülemenin de beraberinde getireceği işlem yükü derin öğrenme adı verilen çok katmanlı sinir ağları ile çözülebilmektedir. Bu tez çalışmasında, derin öğrenme yöntemlerinden evrişimli sinir ağı kullanan kodlayıcı kod çözücü mimarisinde, çok bantlı görüntüler üzerinde, görüntü anlamsal bölütleme yöntemi geliştirilmiştir. Gerçekleştirilen yöntemin belirlenmesi için farklı parametrelerin başarımlarının denendiği deneyler gerçekleştirilerek en başarılı sonuçların elde edildiği parametreler tercih edilmiştir. Geliştirilen yöntem, literatürdeki görüntü anlamsal bölütlemesi yöntemleri ile karşılaştırılmış ve sayısal ve görsel olarak daha başarılı sonuçlar verdiği görülmüştür.
Özet (Çeviri)
Image semantic segmentation, known as the process of image distribution, is considered to be one of the basic steps in understanding image content. Image semantic segmentation; It is widely used in many fields such as military, biomedical, remote sensing, industrial and robotics. In the segmentation process, a banded or multi-band display is used. The images captured by a perimeter, with different wavelength imaging sensors, contain complementary information. Therefore, studies using sensors that perform imaging at different wavelengths give more effective results than studies using only sensors that perform imaging at a wavelength. For this reason, semantic segmentation of the images was performed by using multi-band images in this thesis study. The process load that the multi-band imaging will bring to the semantic segmentation process, also known as pixel level classification, is solved by multi-layer neural networks called deep learning. In this thesis, image semantic segmentation method has been developed on multi-band images in encoder decoder architecture using convolutional neural network from deep learning methods. In order to determine the performed method, the experiments were performed in which the performance of different parameters were tried and the parameters with the most successful results were preferred. The developed method is compared with the image semantic segmentation methods in the literature and it has been found that it gives more successful results numerically and visually.
Benzer Tezler
- Aiding agricultural practices with the exploration of earth observation data via machine learning
Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi
MEHMET FURKAN ÇELİK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ESRA ERTEN
- Derin öğrenme için kitle kaynak tabanlı etiketli veri üretimi ve çok bantlı görüntü sınıflandırma için bir 3d-2d cnn modeli
Crowdsourcing based labeled data generation for deep learning and a 3d-2d cnn model for multispectral image classification
EKREM SARALIOĞLU
Doktora
Türkçe
2020
Jeodezi ve FotogrametriKaradeniz Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ GÜNGÖR
- Hiperspektral görüntülerde eser miktarda kimyasal madde tespiti
Detection of trace amount chemical substances in hyperspectral images
ŞAFAK ÖZTÜRK
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. SENİHA ESEN YÜKSEL ERDEM
- Deep metric learning applied to crop classification from multi-spectral multi-temporal remote sensing data
Derin metrik öğrenmenin çoklu-zamanlı ve çoklu-bantlı uzaktan algılanmış verilerden tarım ürünü sınıflandırmaya uygulanması
MERVE BOZO
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Derin öğrenme yöntemiyle X-ışını görüntülerinden yaygın göğüs hastalıklarının tespiti
Detection of common thorax diseases from X-ray images with deep learning method
TOLGA SAİM BAŞÇETİN
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM EMİROĞLU