Geri Dön

Farklı derin öğrenme yaklaşımları ile yolların segmentasyonu

Road extraction using different deep learning approaches

  1. Tez No: 601172
  2. Yazar: SİNAN SİVRİ
  3. Danışmanlar: PROF. DR. BÜLENT BAYRAM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
  13. Sayfa Sayısı: 95

Özet

Görüntülerden çizgiselliklerin özelliklerin çıkarımı görüntü işleme tekniklerinin çözmeye çalıştığı en temel problemlerden biridir. Özellik çıkarımı hem verinin saklanmasında hem de analiz edilmesinde büyük avantajlar sağlamaktadır. Özellik çıkarımında derin öğrenme algoritmaları son dönemlerde oldukça popüler hale gelmiştir. Bilgisayarlı görü, geomatik ve Coğrafi Bilgi Sistemleri (CBS) ile birlikte yaygın olarak kullanılmaktadır. Modern bilgisayarların işlem kapasiteleri arttıkça bilgisayarlı görü tekniklerinin uygulama alanları genişlemekte ve daha tatmin edici sonuçlara ulaşılabilmektedir. Karayolu altyapısının güncellenmesi, afet yönetiminde, afet sonrası kullanılabilir karayollarının belirlenmesi, ulaşım altyapısı ile ilgili planlama faaliyetleri, bilgi üretiminin standartlaştırılması bakımından çok önemlidir. Derin öğrenme algoritmaları, gürültülü ve karmaşık yapıya sahip veri setlerinde klasikleşmiş makine öğrenmesi algoritmalarına göre daha tutarlı sonuçlar vermektedir. Bu bağlamda 3 bantlı (Kırmızı-Yeşil-Mavi) yüksek çözünürlüklü ortofotolar üzerinden karayollarının otomatik bölütlenmesini sağlayan derin öğrenme modelleri eğitilmiştir. Karayollarının çıkartılması, bir bölütleme işlemini tanımlamaktadır. Bu nedenle kodlayıcı-çözücü yapısına sahip ve bölütleme işlemleri için tasarlanan Segnet, Unet ve Linknet mimarileri temel alınmıştır. Çalışma kapsamında Savaştepe, İstanbul ve Massachusetts konumlarına ait ortofoto görüntüler derin öğrenme mimarilerinin eğitiminde kullanılmıştır. Buna ek değerlendirme amacıyla Bergama konumunda elde edilen yüksek çözünürlüklü ortofoto görüntüler ile eğitilen tüm modellerin başarısı test edilmiştir. Eğitim verisinin oluşturulmasında uzman operatör tarafından sayısallaştırılan karayolları kullanılmıştır. Kullanılan etiket bilgisi uzman operatörlerin ürettiği karayolu sınırlarından elde edilmiştir. Eğitimde kullanılan ortofotolar 512 piksel satır ve sütun büyüklükte parçalara bölünmüştür. Eğitim işlemi için k-Katlı Çapraz Doğruluk yöntemi uygulanmış; k parametresi 5 olarak seçilmiştir. Buna göre veri setleri 5 parçaya bölünerek her bir parça test kümesi olarak sırayla kullanılmıştır. Segnet, Unet ve Linknet mimarilerine ait modeller, herhangi bir ön eğitim yapılmadan Savaştepe veri seti için 1098 örnek üzerinde eğitilmiş ve 264 örnek üzerinde test edilmiştir, İstanbul veri seti için 1064 adet örnek üzerinde eğitilmiş ve 266 örnek üzerinde de test işlemi gerçekleştirilmiştir. Massachusetts veri seti için ise 1800 eğitim ve 450 test örneği kullanılmıştır. Test işlemleri için tamamen farklı bir konumdan elde edilen ve 30 görüntü örneği içeren Bergama veri seti kullanılmıştır. Doğruluk ölçütü olarak Dice ve Jaccard katsayıları seçilmiştir. Eğitim işlemi sonucunda test doğruluğunda Massachusetts veri seti için en yüksek doğruluk Segnet mimarisi ile 0,9935 Dice ve 0,9873 Jaccard olarak; Savaştepe veri seti için en yüksek doğruluk Segnet mimarisi ile 0,9891 Dice ve 0,9785 Jaccard; İstanbul veri seti için en yüksek doğruluk Segnet mimarisi ile 0,9926 Dice ve 0,9854 Jaccard olarak elde edilmiştir. Her üç veri seti üzerinde eğitilen tüm modeller Bergama veri seti ile test edilerek test doğruluklarındaki değişim gözlenmiştir. Bergama ve eğitim yapılan veri seti içerisinde en az fark olan model Segnet modelinin İstanbul veri seti üzerinde eğitilen varyantı; en başarılı model olarak seçilmiştir. Seçilen modelin başarısı eğitimde kullanılan Savaştepe ve Massachusetts veri setlerinin tamamı ile test edilerek eğitim yapılan veri seti üzerindeki doğruluk parametrelerine göre karşılaştırılmıştır. Buna göre seçilen modelin veri setleri üzerinde elde ettiği doğruluklar; Savaştepe veri seti için 0,8983 Dice ve 0,8261 Jaccard, Massachusetts veri seti için 0,9627 Dice ve 0,9298 Jaccard olarak elde edilmiştir. İstanbul veri seti hariç elde edilen ortalama doğruluk değerleri ise; 0,9235 Dice ve 0,8642 Jaccard olarak elde edilmiştir.

Özet (Çeviri)

Feature extraction from digital imagery is one of the main application domain for digital image processing. Feature extraction is essential for storing and analysis process. In recent years deep learning algorithms become very popular for feature extraction and image processing. Computer vision is highly integrated with geographic information systems (GIS). As the computing capacity of modern computers increases, the field of application of computer vision techniques expands and more satisfactory results can be achieved. Updating process of road infrastructure data is very important in disaster management, determination of usable roads after disaster, planning activities related to transportation infrastructure and standardization of information production. Deep learning algorithms can handle noise and complexity better compared to conventional machine learning approaches. In this context, deep learning models has been trained on 3-band (Red-Green-Blue) orthophotos for segmentation of roads. Extraction of roads defines a segmentation process. Therefore, Segnet Unet and Linknet architectures which were based on encoder-decoder structure and designed to segment images, chosen for this study. In this study orthophoto images are used for training data which acquired from Turkey, Balıkesir, Savaştepe; Turkey, İstanbul and USA, Massachusetts.For training process orthophotos are divided into patches with 512-pixel width and height. K-Fold Cross Validation strategy put to work for thorough examination. k-Number of folds parameter chosen as 5 which splits datasets into 5 parts and uses each part as a test group while training on the rest of the dataset. Models trained on Savaştepe dataset includes, 1098 training samples and 264 test samples; İstanbul dataset includes, 1064 training sample and 266 test samples and Massachusetts dataset includes 1800 training samples and 450 test samples. For testing process Bergama dataset is used which includes; 30 testing samples acquired from completely different location. Training process performed without any pre-trained weights. Dice and Jaccard coefficients were chosen as the accuracy metrics. After training process' completion, for Massachusetts dataset Segnet architecture achieved highest test metrics as 0,9935 Dice and 0,9873 Jaccard coefficients; for Savaştepe dataset Segnet architecture achieved highest test metrics as 0,9891 Dice and 0,9785 Jaccard coefficients and for Istanbul dataset Segnet architecture achieved highest test metrics as 0,9926 Dice and 0,9854 Jaccard coefficients. Each individual model trained on each dataset tasted with Bergama dataset and test metrics assessed for choosing the best performing model. Best performing model is Segnet with Istanbul dataset trained variant based on Bergama dataset test processes. This model also tested against Savastepe and Massachusetts datasets for comprehensive evaluation. In this regard model achieved 0,8983 Dice and 0,8261 Jaccard for Savastepe and 0,9627 Dice and 0,9298 Jaccard scores for Massachusetts datasets. Mean Dice and Jaccard coefficients are calculated without Istanbul dataset scores which are; 0,9235 and 0,8642 respecively.

Benzer Tezler

  1. Road geometry extraction with fusion of low resolution satellite imagery and GPS trajectory using deep learning methods

    Düşük çözünürlüklü uydu görüntüleri ve GPS rotaları birleştirilmesi ve derin öğrenme yöntemleri kullanılarak yol geometrilerinin tespiti

    NECİP ENES GENGEÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ERGİN TARI

  2. Deep learning approaches for multi-site wind power forecasting in the West Aegean region of Turkey

    Türkiye'nin Batı Ege bölgesinde çok sahalı rüzgar enerjisi tahmini için derin öğrenme yaklaşımları

    MERT SARIKAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri MühendisliğiBoğaziçi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN

  3. Sınırlı veri setiyle sınıflama uygulamalarına yeni bir yaklaşım

    A new approach to classification applications with limited dataset

    SAİM ERVURAL

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT CEYLAN

  4. Deep learning based road segmentation from multi-source and multi-scale data

    Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi

    OZAN ÖZTÜRK

    Doktora

    İngilizce

    İngilizce

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. DURSUN ZAFER ŞEKER

  5. Hz. Ömer'in yönetim anlayışının etik liderlik perspektifinden analizi

    The analysis of caliphate Omar's administration approach in the perspective of ethical leadership

    ADİL AKKUŞ

    Doktora

    Türkçe

    Türkçe

    2023

    DinKarabük Üniversitesi

    İşletme Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NEŞE YILDIZ

    DR. ÖĞR. ÜYESİ TUNAY KARAKÖK