Benek gürültüsü gidermeye dayalı veri artırma ile derin ağlarda radar hedef sınıflandırma
Despeckling based data augmentation approach in deep learning based radar target classification
- Tez No: 722503
- Danışmanlar: PROF. DR. IŞIN ERER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: 91
Özet
Teknolojinin ilerlemesiyle birlikte donanım kapasitesinin her geçen gün artması, maliyetlerin düşmesi ve etiketlenmiş veri sayısının artışı, yapay zeka uygulamalarının yaygınlaşmasına zemin hazırlamıştır. Bugün birçok alanda yapay zeka uygulamaları yaygın olarak kullanılmaktadır. Bu uygulamalar arasında en popüler alanlardan biri, bilgisayarlı görü sistemleridir. Askeri, ticari ve insansız ulaşım sistemleri gibi birçok alanda faydalanılan bilgisayarlı görü sistemleri içerisinde, özellikle askeri alanda otomatik hedef tanıma teknolojileri büyük önem arz etmektedir. Günün her saatinde ve her türlü hava koşulunda görüntü alabilme imkanı gibi avantajları sebebiyle uzaktan algılama uygulamalarında radar görüntüleme sistemleri, optik görüntüleme sistemlerine üstünlük kurmaktadır. Eskiden daha çok askeri alanda kullanım alanına sahip olan radar görüntüleme sistemleri artık günümüzde jeoloji, arkeoloji ve çevrenin korunması gibi çok farklı alanlarda da hedef tespiti ve sınıflandırma amacıyla kullanılmaktadır. Fakat, radar görüntülerinin doğası gereği var olan ve görüntünün kalitesini düşüren tanecikli girişim olan benek gürültüleri, hedef ve çevresinde görüntüyü bozarak hem insanlar tarafından görüntünün anlamlandırılmasını, hem de bilgisayarlı görü sistemlerindeki otomatik nesne tanıma sınıflandırıcılarının hedefi algılamasını zorlaştırmaktadır. Bu sebeple, YAR (Yapay Açıklıklı Radar) görüntülerinin otomatik nesne tanıma uygulamaları öncesinde iyileştirme sürecinden geçerek benek gürültülerinin ayrıştırılması, sınıflandırıcı performansı için önem arz etmektedir. Bundan dolayı, literatürde de YAR görüntülerinde benek gürültüsünü giderme ile ilgili birçok çalışma yer almaktadır. Bu tez çalışması kapsamında, YAR görüntülerindeki benek gürültülerinin Medyan, BM3D ve EAW filtreler kullanılarak giderilmesi ile derin öğrenme tabanlı radar otomatik nesne tanıma uygulamalarındaki sınıflandırma performansının artırılması, bu sayede çok daha derin ve karmaşık ağlarda elde edilen sınıflandırma başarılarının daha temel ve az karmaşıklığa sahip ağlarda elde edilebilmesi hedeflenmiştir. Ek olarak, klasik sentetik veri artırma tekniklerinden farklı olarak benek gürültüsü gidermeye dayalı veri artırma yaklaşımı önerilmiş, derin öğrenme tabanlı radar otomatik nesne sınıflandırma uygulamalarındaki sınıflandırma performansına etkisi incelenmiştir. Bu kapsamda, askeri hedeflere ait görüntüler içeren 10 sınıflı MSTAR veri seti kullanılmış, YAR görüntülerindeki benek gürültülerinin giderilmesi için bu görüntüler ayrı ayrı Medyan, BM3D ve EAW filtrelerden geçirilmiştir. Ardından elde edilen görüntüler ile farklı iki adet temel evrişimli sinir ağı eğitilmiş, aynı koşullar için benek gürültüsü giderme işleminin sınıflandırma başarısına etkisi gözlemlenmiştir. EAW filtre ile benek gürültüsünün giderilmesi, her iki ağda da derin öğrenme tabanlı otomatik radar hedef sınıflandırma başarısında artış sağlamıştır. Ek olarak, tez kapsamında önerilen benek gürültüsü gidermeye dayalı veri artırma yaklaşımının benimsenmesi ile her iki ağdaki sınıflandırma başarısı, benek gürültüsü giderme sonrasında elde edilen iyileşmenin de üzerine çıkmıştır.
Özet (Çeviri)
Automatic target recognition technologies has great importance especially in the military purposes among remote sensing applications. Radar imaging systems are superior to the optical imaging systems in remote sensing applications due to their advantages such as the ability to take images at any time of the day and in all weather conditions. Radar imaging systems, which used to be mostly used in the military field, are now used for target detection and classification in many different fields such as geology, archeology and environmental protection. By processing the reflected responses of electromagnetic signal pulses broadcasted from the radar antenna, informations such as distance, angle and speed can be obtained regarding the target object, which are important for many remote sensing applications. In order to achieve high resolution images in radar systems, it is necessary to use an antenna with a high aperture, which is unlikely to be applied in practice. This problem can be overcome thanks to Syntethic Aperture Radar (SAR) technique. Synthetic aperture radar systems, one of the radar imaging techniques, is a high-resolution, aerial or remote sensing technique to view targets in a certain area. In synthetic aperture radar systems, an artificial aperture is created by moving the radar antenna in a certain direction at a constant speed, usually by integrating the radar antenna into an aircraft. During this movement, electromagnetic signals are sent from the antenna towards the target area or object and reflection responses are collected simultaneously. The raw data collected from the SAR sensor is preprocessed along with the information from the motion sensor. Then, SAR images are created after the level motion compensation process completed. Besides the advantages of radar imaging techniques, radar images has speckle noise, which is inherent in the nature of radar images and is particulate interference that reduces the quality of the image. Speckle noise, distorts the image of the target and its surroundings. Thus, making it difficult for humans to interpret the image, as well as for automatic object recognition classifiers in computer vision systems to detect the target. Therefore, it is important for classifier performance to separate speckle noises through the improvement process of SAR images before automatic object recognition applications. Automatic object recognition applications in radar images have been carried out by many researchers using different methods. While machine learning models such as KNN and SVM were used more widely in the past, deep learning-based methods are preferred today after the developments in deep learning in the last 10 years. Automatic extraction of features from the data in deep learning-based applications, the ability to adapt to applications in different fields, ease of implementation and high success rate have important effect on this alteration. With the increase in both hardware capacity and tagged data amount by the publication of ImageNet dataset, which has millions of tagged photos, and also decrease in costs paved the way for the spread of artificial intelligence applications with the progress in technology. Besides; advancements in activation functions, optimization algorithms and new discoveries such as batch normalization, residual blocks, establishing deep learning networks consisting of hundreds of layers became possible. Deep learning applications are widely used in many fields nowadays. One of the most popular area among these applications is computer vision systems. Computer vision systems are widely used in industry such as face recognition systems, autonomous cars, unmanned aerial vehicles but it is also frequently used in SAR automatic target classification applications. The dataset used in this study was created by Sandia National Laboratory in January 1998 within the MSTAR (Moving and Stationary Target Acquisition and Recognition) program supported by Defense Advanced Research Projects Agency and Airforce Research Laboratory. Within the scope of this program, hundreds of thousands of SAR images were collected for multiple target types with different angles and serial numbers, and some of them were made available to researchers on the internet. There are 10 classes in total in different types and serial numbers, such as armored personnel carriers, tanks, trucks. Images of these objects were collected using the X band SAR sensor with spotlight mode, which is one of the Synthetic Aperture Radar imaging techniques that focuses on just a specific area to observe the target. In this work, two different convolutional neural networks are built. First model can be described as a modern and relatively bigger version of LeNet-5 network in terms of the number of layers and parameters. Also, average pooling layer is replaced with maximum pooling since maximum pooling layer is more effective and added dropout layer to reduce overfitting. The second model is taken from an article when deep neural networks were just beginning to be used in these applications. This model is a very simple convolutional neural network. In this study, as one of the simplest filters Median filter, one of the most successful despeckling filter Block Matching 3D and Edge Avoiding Wavelet filters are used because of the uncomplexity and optimisation capability with a single parameter. It is aimed to achieve the classification accuracy that obtained in much deeper and more complex networks in more basic and less complex networks by despleckling of SAR images performed using three filters. In addition, instead of classical synthetic data augmentation techniques, a despeckling based data augmentation approach is proposed and its effect on classification performance in deep learning-based radar automatic object classification applications is examined. In this purpose, images of military targets from the 10-class MSTAR data set were separately filtered through Median, Block Matching 3D and Edge Avoiding Wavelet filters in order to eliminate speckle noise in SAR images. Then, two different basic convolutional neural networks were trained with original, despeckled and despeckling based data augmented images. The effect of despeckling and proposed despeckling based data augmentation on the classification accuracy compared with the original dataset for the same conditions. According to the results obtained, the despeckling process with the Edge Avoiding Wavelet filter is increased the performance of deep learning-based automatic radar target classification in both convolutional neural networks. In addition, with the adoption of the data augmentation approach based on speckle removal, proposed in this thesis, the classification performance in both networks outperformed the improvement obtained after despeckling method.
Benzer Tezler
- Benek gürültülü görüntüleri onarma
Restoring images degraded by speckle noise
MEHMET CAN ERDEM
Yüksek Lisans
Türkçe
2013
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ZİYA TELATAR
- Convection-reaction equation based magnetic resonance electrical properties tomography (CR-MREPT)
Taşıma-reaksiyon denklemi temelli manyetik rezonans elektriksel özellikler tomografisi (TR-MREÖT)
FATİH SÜLEYMAN HAFALIR
Yüksek Lisans
İngilizce
2013
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
PROF. DR. YUSUF ZİYA İDER
- Derin öğrenme ile uydu görüntülerinde hedef tespiti
Target detection in satellite images using deep learning
VAZIRKHAN TARVERDIYEV
Yüksek Lisans
Türkçe
2021
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Tıbbi ultrason görüntüleri için yeni bir benek azaltma algoritması geliştirme
Development of a new speckle reduction algorithm for medical ultrasound images
NOOR ABD EL SALAM HAMED ALSULTAN
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik MühendisliğiGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEMA KAYHAN
- Sayısal imgelerden benek gürültüsünün giderilmesinde bulanık sistemlerin optimizasyonu
Optimization of fuzzy systems in speckle noise removal from digital images
MEHMET ALİ SOYTÜRK
Doktora
Türkçe
2013
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET EMİN YÜKSEL