Deniz hedeflerinin geleneksel ve derin öğrenme tabanlı yöntemler ile sınıflandırılması
Automatic classification of maritime targets via the traditional and deep-learning-based methods
- Tez No: 628416
- Danışmanlar: PROF. DR. ENSAR GÜL, DR. ÖĞR. ÜYESİ AHMET FATİH MUSTAÇOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgi Güvenliği Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Karaya konuşlu radar sistemleri, deniz bölgelerinde yapılan tespit, tarama ve tanıma faaliyetleri ile sınırlarımızın kontrolü, dost ve düşman gemilerinin tanımlanması kimliklendirilmesinde çok önemli rol oynamaktadır. Operasyonel süreçlerde, radar sistemleri deniz hedeflerinin tespit ve kimliklendirilmesinde yetersiz kaldığı durumlar yaşanabilmekte, bu durum savunma sistemlerinde ciddi zaafiyetler doğurabilmektedir. Deniz hedefi menzil profili sınıflandırma problemine çoğunlukla geleneksel sınıflandırıcı yöntemleri ile yaklaşılmış olup öz nitelik çıkartma, boyut azaltma işleminde elde edilen verilerle SVM, k-NN, PNN gibi sınıflandırıcılar ile sınıflandırma işlemleri gerçekleştirilmiştir. Geleneksel yöntemler ile probleme tam bir çözüm bulunamamış olmakla beraber, geliştirilen yeni yöntemler ile başarımın artırılması çalışmaları sürmektedir. Bu tez çalışması kapsamında gerçek zamanlı çalışmakta olan radardan ölçümsel olarak elde edilen deniz hedefi menzil profilleri geleneksel yöntemlerle ve derin öğrenme yöntemleri ile sınıflandırma çalışması yapılmıştır. Ele alınan yöntemlerinin performans analizleri, on iki farklı deniz hedef tipi ile gerçekleştirilmiştir. Deniz hedeflerinin sınıflandırılmasında geleneksel yöntemler için anomali tespiti, kargaşa giderme, öznitelik çıkarma ve boyut azaltma sonrasında en yakın komşuluk sınıflandırıcı, imge sınıflandırma tabanlı konvolüsyonel sinir ağları (Convolutional Neural Network, CNN), son yıllarda sıklıkla kullanılmaya başlanan nesne tespit tabanlı Mask R-CNN ve YOLOv2 sınıflandırma yöntemleri çalışılmıştır. Her bir yöntem farklı girdiler ile çalıştırılarak ortalama başarım puanları ve hata matrisleri elde edilmiş, sonuçlar karşılaştırmalı olarak değerlendirilmiştir. Nesne tespiti tabanlı sınıflandırma yöntemlerinde sadece hedef bölgesi ve tüm resimin etiketlenmesi olmak üzere iki farklı yöntemle etiketleme işlemi ve farklı eşik seviyeleri varyasyonlarıyla eğitimler yapılmış olup sonuçlara etkisi incelenmiştir. Geleneksel yöntemlere göre nesne tespiti tabanlı sınıflandırma yöntemlerinde kargaşa giderme, boyut azaltımı ve öznitelik çıkarımı işlemleri ortadan kaldırılarak veri kaybı önlenmektedir. Bununla beraber boy bilgisi sınıflandırıcı tarafından doğrudan elde edilebilmektedir. Ayrıca aynı anda birden fazla hedefin tek görüntüde tespit/teşhis edilmesine imkan sağlamaktadır.
Özet (Çeviri)
Land-based radar systems have been playing significant roles in miscellaneous applications such as the surveillance, detection and recognition on maritime territory, and the friend of foe identification of targets. Within several operational processes, radar systems might remain incapable while the detection and identification of marine targets which would result in severe vulnerabilities in electronic defense strategies. The existing researches have focused on the automatic maritime target recognition (AMTR) problem by most commonly employing traditional classification approaches that generally consist of feature extraction, dimension reduction steps followed by SVM, k-NN, PNN vb classifiers. Since the traditional methods have been lacking to provide the limiting solutions to the AMTR problem, further researches especially those inspired by deep-learning perspectives are ongoing in order to enhance the overall recognition capability. Within this thesis, an extensive investigation on the traditional and deep-learning-based classification of the measuremental high-resolution range profiles (HRRPs) that are collected by a real-time radar system is carried out. The detailed examination has been performed by focusing on twelve different maritime target classes. The traditional maritime target classification approaches have been constructed to employ anomaly detection, clutter suppression, feature extraction, feature/dimension reduction, k-nearest neighbor (k-NN), image classification-based convolutional neural network (CNN) and object detection based Mask R-CNN and YOLOv2 classifiers. By evaluating and averaging the classification performances and confusion matrices corresponding to numerous instances of input data, the ultimate performances of all methods have been critized and compared. For the object detection methods, the variation of threshold values and two labeling approaches consisting of labeling only the target sector and the entire image has been investigated after performing data training process with the resulting configurations. When compared to the traditional methods, object detection methods prevents the possible data loss by extinguishing the clutter suppression, dimension reduction and feature extraction steps. Besides, object detection methods paves the way for achieving accurate detection/recognition of multiple targets via single image shots.
Benzer Tezler
- Improved helicopter classification via deep learning and overlapped range-doppler maps
Derin öğrenme ve örtüşen menzil-doppler görüntüleri ile geliştirilmiş helikopter sınıflandırması
DENİZ CAN ACER
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Panoramik görüntüler üzerinden su altı hedef tespiti: DBSCAN ve derin öğrenme ağları ile bütünleşik bir yaklaşım
Underwater target detection via panoramic images: An integrated approach with DBSCAN and deep learning networks
FATMA KÜBRA AKIN KÜÇÜK
Yüksek Lisans
Türkçe
2024
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. İBRAHİM ÖZKOL
- Missile evasion maneuver generation with model-free deep reinforcement learning
Modelden bağımsız derin pekiştirmeli öğrenme ile füzeden kaçınma manevraları
MUHAMMED MURAT ÖZBEK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. EMRE KOYUNCU
- P35S, TNOS and PFMV targeted multiplex PCR using a single dye
Tek boya kullanarak P35S, TNOS ve PFMV hedefli çoklu PZR
DENİZ GÜLBİN TAN
Yüksek Lisans
İngilizce
2013
Biyoteknolojiİstanbul Teknik Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DOÇ. DR. GİZEM DİNLER DOĞANAY
DR. MUSTAFA KOLUKIRIK
- CFAR detection in K-distributed sea clutter
K-dağılımlı deniz kargaşası ortamında sabit hatalı alarm sıklığı (SHAS) ile tespit
AYŞİN ÇETİN
Yüksek Lisans
İngilizce
2008
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
DOÇ. DR. ŞİMŞEK DEMİR
PROF. DR. ALTUNKAN HIZAL