Derin öğrenme ve makine öğrenmesi ile uydu görüntülerinin sınıflandırılması
Classification of satellite images with deep learning and machine learning
- Tez No: 711362
- Danışmanlar: DR. ÖĞR. ÜYESİ SELDA GÜNEY
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 77
Özet
Uzaktan algılama günümüzde afet tespiti, iklim değişiklikleri, kentsel değişimler gibi birçok doğal farklılığın tespitinde büyük öneme sahiptir. Teknolojideki görüntüleme alanında meydana gelen gelişmeler sonucunda uzaktan algılama günümüzde çok popüler bir konu haline gelmiştir. Gelişen teknolojilerin sağladığı en büyük fayda günümüzde uzaktan algılama için kullanılan verilerin kolay erişilebilir hale gelmiş olmasıdır. Uzaktan algılama işlemi ortamın fiziksel ve konumsal bilgileri gibi ayırt edici özelliklerinin algılanması işlemi olarak adlandırılabilir. Algılama işlemlerinde başarıyı en çok etkileyen faktörlerden birisi çözünürlüktür. Çözünürlüğün gereken seviyeden düşük olması ayırt edilmek istenen nesnelerin özelliklerinin anlaşılamaz hale gelmesine sebep olmakta ve bu nedenle ayırt etme işleminin önünde büyük bir engel teşkil etmektedir. Günümüzde derin öğrenme yöntemlerinin uzaktan algılama verilerinin sınıflandırılmasında oldukça popüler ve başarılı olduğu görülmektedir. Derin öğrenme ağları kullanılarak görüntü özelliklerinin öğrenilmesi ve sınıflandırma için gerekli özniteliklerin çıkarılması alanında başarılı sonuçlar elde edilmektedir. Uydu görüntüsü sınıflandırma işleminde karşılaşılan bir diğer problem sınıflandırma için yeterli verinin elde edilememesidir. Bu çalışmada uydu görüntülerinin sınıflandırılması için derin öğrenme ve makine öğrenmesi metotları kullanılmıştır. Yapılan analizler EuroSAT, AID ve iki veri setinin uygun koşullar altında birleştirilmesiyle oluşturulmuş bir birleşik veri seti üzerinde gerçekleştirilmiştir. Veri seti birleştirme işlemimizdeki temel amaç uydu görüntüsü sınıflandırma işleminde artan sınıf sayısına göre sınıflandırma başarısındaki değişiklikleri gözlemlemektir. Bu tez çalışması kapsamında iki veri seti derin öğrenme ağları kullanılarak ayrı ayrı analiz edilmiştir. Buna ek olarak birleşik veri seti hem derin öğrenme hem de makine öğrenmesi yöntemleri kullanılarak analiz edilmiştir. Bu işlemin amacı oluşturulan veri seti üzerinde makine öğrenmesi ve derin öğrenme temelli sınıflandırıcıların karşılaştırılmasıdır. Yapılan analizler sonucunda EuroSAT veri seti için en yüksek sınıflandırma başarısı %98.11 doğruluk oranı ile DenseNet-201 derin öğrenme ağı kullanılarak elde edilmiştir. AID veri seti için en başarılı sınıflandırıcı %96.10 doğruluk oranı ile DenseNet-201 derin öğrenme ağıdır. Çalışma kapsamında birleştirilen veri seti için yapılan analizlerde uygulanan sınıflandırma metotları arasında en başarılı sınıflandırıcı %96.20 doğruluk oranı ile yine DenseNet-201 derin öğrenme ağı olarak gözlenmektedir. Veri setleri birleştirilerek oluşturulan birleşik veri setinde başarı oranının AID veri setinde göre daha yüksek çıktığı görülmektedir.
Özet (Çeviri)
Remote sensing is of great importance in the detection of many natural differences such as disaster detection, climate changes and urban changes. As a result of the developments in the field of imaging in technology, remote sensing has become a very popular topic today. The biggest benefit provided by the developing technologies is that the data used for remote sensing has become easily accessible today. Remote sensing can be explained as the process of detecting the distinctive features of the environment, such as physical and spatial information. One of the most influential factors on success in detection processes is resolution. The resolution being lower than the required level causes the features of the objects to be differentiated to become incomprehensible and therefore constitutes a major obstacle to the detection process. Today, deep learning methods seem to be very popular and successful in classifying remote sensing data. Successful results are obtained in the field of learning image features and extracting the necessary features for classification using deep learning networks. Another difficulty in satellite image classification is the inability to obtain enough data for classification. In this study, deep learning and machine learning methods were used to classify satellite images. The analyzes were performed on EuroSAT, AID and a combined dataset created by combining two datasets under appropriate conditions. The main purpose of our data set merging process is to observe the changes in classification success according to the increasing number of classes in the satellite image classification process. In this thesis, two data sets were analyzed separately using deep learning networks. In addition, the combined data set was analyzed using both deep learning and machine learning methods. The purpose of this process is to compare machine learning and deep learning based classifiers on the created data set. As a result of the analysis, the highest classification success for the EuroSAT dataset was obtained using the DenseNet-201 deep learning network with an accuracy rate of 98.11%. The classifier with the highest accuracy for the AID dataset is the DenseNet-201 deep learning network with an accuracy rate of 96.10%. Among the classification methods applied in the analysis for the combined data set, the classifier with the highest accuracy is observed as the DenseNet-201 deep learning network, with an accuracy rate of 96.20%. It is seen that the success rate in the combined dataset is higher than in the AID dataset.
Benzer Tezler
- Land cover and land use classification of multi-modal high-resolution satellite images using multi-task deep learning approach
Çok görevli derin öğrenme tekniği ile çok kipli yüksek çözünürlüklü uydu görüntülerinin arazi örtüsü ve arazi kullanımı sınıflandırılması
BURAK EKİM
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Hiperspektral uydu görüntülerinin ileri tekniklerle sınıflandırılması
Classification of hyperpectral satellite images with advanced techniques
MERT YİĞİT
Yüksek Lisans
Türkçe
2021
Jeodezi ve FotogrametriErciyes ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÜMİT HALUK ATASEVER
- Identification of tea plantation areas using Google cloud based random forest and deep learning
Google bulut servise dayalı rastgele orman ve derin öğrenme ile çay tarım alanlarının belirlenmesi
BERKAY ÖZEN
Yüksek Lisans
İngilizce
2020
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA ERTEN
- Building detection from very high resolution satellite images with deep learning approach
Derin öğrenme yaklaşımı ile çok yüksek çözünürlüklü uydu görüntülerinde bina tespiti
ESRA ÖZAYDIN
Yüksek Lisans
İngilizce
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Uzaktan algılamada derin öğrenme tabanlı hiperspektral uydu görüntülerinin sınıflandırılması
Classification of deep learning based hyperspectral satellite images in remote sensing
HÜSEYİN FIRAT
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY