Derin öğrenme ile yüksek çözünürlüklü ortofotoların sınıflandırma doğruluklarının analizi
Analysis of classification accuracy of high-resolution orthophotos with deep learning
- Tez No: 645178
- Danışmanlar: DOÇ. DR. ÖZGÜN AKÇAY
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Çanakkale Onsekiz Mart Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 80
Özet
Derin öğrenme ile görüntü sınıflandırma uygulamalarının popüler mimarisi olan evrişimsel sinir ağı (ESA) kullanılarak yüksek çözünürlüklü ortofotoların arazi örtüsü sınıflandırması amaçlanmaktadır. Çalışmanın amacı doğrultusunda, ResNet isimli ESA ağ yapısını temel alan DeepLabv3 mimarisi kullanılarak eğitimler gerçekleştirilmiştir. Çalışmada kullanılmak üzere Uluslararası Fotogrametri ve Uzaktan Algılama Birliği (ISPRS) tarafından açık veri seti olarak kullanıma sunulan ISPRS-Potsdam tercih edilmiştir. Veri setinde bulunan 6000x6000 boyutlu ortofotolar 400x400 boyutunda dilimlenmiş ve 1408 adet eğitim, 352 adet doğrulama, 352 adet ise test verisi olarak kullanılmıştır. Sinir ağı; RG (kırmızı-yeşil), RB (kırmızı-mavi), GB (yeşil-mavi), RGB (kırmızı-yeşil-mavi) ve IRRG (kızılötesi-kırmızı-yeşil) olmak üzere beş farklı spektral bant kombinasyonları ile eğitilmiştir. Eğitimler tamamlandıktan sonra, test verileri üzerinde sınıflandırma başarıları karşılaştırılmıştır. RG %91, RB %85, GB %91, RGB %92, IRRG %91 eğitim doğruluklarına sahiptir. Test doğrulukları ise sırasıyla %77, %76, %83, %82, %83 olarak elde edilmiştir. Gerçekleştirilen eğitimlerin sonucunda, GB verilerinin eğitiminde geçirimsiz yüzey, bina ve hiçbir sınıfa dâhil olmayanlar, RGB verilerinin eğitiminde düşük bitki örtüsü sınıfı ve IRRG verilerinin eğitiminde ağaç sınıflarının en yüksek doğruluk verdiği gözlemlenmiştir. DeepLabv3 mimarisinin yüksek çözünürlüklü ortofotolardan arazi örtüsü sınıflandırmasında kullanılabileceği ve kızılötesi girdi verisinin eğitime katkı sağladığı sonucuna varılmıştır.
Özet (Çeviri)
It is aimed to classify high resolution orthophotos using the convolutional neural network (CNN), which is the popular architecture of image classification applications with deep learning. For the purpose of the study, trainings were carried out using the DeepLabv3 architecture based on the CNN network named ResNet. ISPRS-Potsdam, which is presented as an open data set by the International Photogrammetry and Remote Sensing Association (ISPRS), was chosen for the study. 6000x6000 size orthophotos in the data set were sliced to 400x400 size and used as 1408 training, 352 verification and 352 test data. Plexus; It has been trained with five different spectral band combinations: RG (red-green), RB (red-blue), GB (green-blue), RGB (red-green-blue) and IRRG (infrared-red-green). After the trainings were completed, the classification success was compared on the test data. RG 91%, RB 85%, GB 91%, RGB 92%, IRRG 91% training accuracy. Test accuracies were 77%, 76%, 83%, 82%, and 83%, respectively. As a result of the trainings carried out, it was observed that the impermeable surface, building and those not included in any class in the training of GB data, the low vegetation class in the training of the RGB data and the tree classes in the training of IRRG data were observed to give the highest accuracy. It was concluded that DeepLabv3 architecture can be used in land cover classification from high resolution orthophotos and infrared input data contributes to education.
Benzer Tezler
- Farklı derin öğrenme yaklaşımları ile yolların segmentasyonu
Road extraction using different deep learning approaches
SİNAN SİVRİ
Yüksek Lisans
Türkçe
2019
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- Assessing the impact of super-resolution on enhancing the spatial quality of historical aerial photographs
Tarihi hava fotoğraflarının mekansal kalitesini artırmada süper-çözünürlüğün etkisinin irdelenmesi
ABDULLAH HARUN İNCEKARA
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Derin öğrenme ile yüksek çözünürlüklü hava görüntülerinde yolların tespit edilmesi
Road detection in aerial images with deep learning
FİGEN ÖNÜN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiEkobilişim Ana Bilim Dalı
DOÇ. DR. GALİP AYDIN
- Derin öğrenme ile süper çözünürlüklü radar görüntüleme
Super resolution radar imaging with deep learning
İREM FADİME ERİM
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik-Haberleşme Eğitimi Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Evrişimli sinir ağları ile yüksek çözünürlüklü uydu görüntülerinden uçak tespiti
Aircraft detection from high resolution satellite images with convolutional neural networks
EMİNE DİLŞAD ÜNSAL
Yüksek Lisans
Türkçe
2021
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL