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
- Tez No: 621702
- Danışmanlar: PROF. DR. OĞUZ GÜNGÖR
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 184
Özet
Uydu görüntülerinin, derin öğrenme ile sınıflandırılmasında yaşanılan en büyük zorluk yeterince etiketli veri bulunamamasıdır. Bu sorunun çözümünde kitle kaynak yaklaşımının kullanılabilirliği araştırılmış ve uygulama ile gösterilmiştir. Kitle kaynak yöntemi, kullanıcıların dinamik yapıda veri üretebileceği şekilde hazırlanan web platformu üzerinden uygulanmıştır. Kullanıcılardan, verilen yardım dokümanı ile istenilen sınıfları içerecek şekilde etiketli veri oluşturmaları istenmiştir. Bu veri setlerinin kontrolü kullanıcılar tarafından sınıflara ait çizilmiş poligonlara verilen puan ile tespit edilmiştir. Toplamda 260262 piksel içeren veri seti hazırlanmıştır. Elde edilen veriler orijinal görüntü ile çakıştırılıp görsel olarak da incelenmiştir. Son olarak bu 40 parça görüntü, başarılı sonuçlar verdiği test edilerek üretilen spektral ve uzamsal yapıda CNN modeli ile sınıflandırılmıştır. Ortalamada genel doğruluk değerlerinin %95 üzeri sonuçlar verdiği tespit edilmiştir. Elde edilen sonuçlar kitle kaynak ile bu problemin çözülebileceğini göstermektedir. Kitle kaynağın sınıflandırma sonrası doğruluk değerlendirmede kullanımı aynı arayüzde sunulan modül vasıtasıyla gerçekleştirilmiştir. Bu amaçla, kullanıcılardan rastgele oluşturulmuş 1000 referans noktası için sınıf değerleri girmeleri istenmiştir. Farklı kullanıcılar tarafından 1000 referans noktasına ait girilen değerler üç kere oluşturularak çoğunluk oylaması yöntemiyle sonuç veri seti elde edilmiştir. Sonuçlar, kitle kaynak ile yüksek uzamsal çözünürlükteki multispektral görüntüler için referans noktalarının üretileceğini göstermektedir.
Özet (Çeviri)
The biggest difficulty in the classification of satellite images with deep learning is the lack of sufficiently labeled data. The usability of the crowdsourcing approach to solve this problem was investigated and an application was developed to demonstrate its applicability. The crowdsourcing method was implemented through the web platform, which was prepared to enable users to generate data in a dynamic structure. Users were asked to create tagged data for the desired classes using the help document provided. The control of these datasets was determined by giving scores to the polygons drawn by the users for each class. The generated dataset contains a total of 260262 pixels. The data obtained were overlapped with the original image to examine visually. Finally, 40 pieces of images were classified with the proposed spectral and spatial CNN model, which proved to be successful after a series of tests. The fact that the average general accuracy values are above 95% indicates that this problem can be solved by crowdsourcing. The use of crowdsourcing for post-classification accuracy assessment was performed through the module presented in the same interface. For this purpose, users were asked to enter class values for 1000 randomly generated reference points. The class value of each of the 1000 points is entered three times by three different users, and the class value of each point determined by a majority voting method. The results prove that reference points for high spatial resolution multispectral images can be generated by crowdsourcing.
Benzer Tezler
- Semantic land cover and land use classification using deep convolutional neural networks
Derin evrişimsel sinir ağları ile arazi kullanımı ve arazi örtüsünün anlamsal sınıflandırılması
BERK GÜNEY
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Türkçe için sahte haber tespit modelinin oluşturulması
A fake news detection model for Turkish language
UĞUR MERTOĞLU
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURKAY GENÇ
PROF. DR. HAYRİ SEVER
- Image quality assesment and enhancement for robust face recognition
Yüz tanıma için imgelerin kalite ölçümü ve iyileştirilmesi
ONUR SERTKAYA
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAYFUN AKGÜL
- Machine learning of social media data on a spatio-temporal basis
Sosyal medya verilerinin zaman-mekansal temellere göre makine öğrenimi
BÜŞRA YEŞİLBAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TANKUT ACARMAN
- Towards modeling and mitigating misinformation propagation in online social networks
Çevrimiçi sosyal ağlarda yanlış bilgi yayılımının modellenmesi ve azaltılması üzerine
TOLGA YILMAZ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR ULUSOY