Geri Dön

Derin öğrenme yöntemi ile Google ve Yandex görüntülerinden stadyum tespiti

Stadium detection from Google and Yandex images with deep learning method

PDF İndir

  1. Tez No: 741015
  2. Yazar: EMRE BATUHAN SAMUR
  3. Danışmanlar: DOÇ. DR. UĞUR AVDAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Eskişehir Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 71

Özet

Teknolojinin hızla gelişmesi ve bilgisayar donanımlarında görülen ilerleme sonucunda derin öğrenmenin önemi gün geçtikçe artmaktadır. Son dönemlerde birçok kurum/kuruluş insan gücü yerine, otonom sistemleri kullanmayı tercih etmektedir. Derin öğrenme algoritmalarının sürekli geliştirildiği alanlardan biri de nesne tespiti yapabilen modellerdir. Tez çalışmasında amaç literatürde bulunan çalışmalardan farklı olarak iki ayrı şirket tarafından aynı köşe koordinat ve ölçekte temin edilmiş uydu görüntüleri ile bir modelin eğitilmesi sonucu şirketlerin paylaştığı uydu görüntülerinin modelin başarımına olan etkisinin analiz edilmesidir. Tez çalışmasında yazılım dili olarak Python 3.6, yazılım geliştirici olarak ise Anaconda kullanılmıştır. Derin öğrenme kütüphanesi olarak Tensorflow kütüphanesi, bilgisayarlı görü kütüphanesi olarak OpenCV ve nesne tespit modeli olarak Tensorflow Object Detection Application Programming Interface (API) kullanılmıştır. Bu kapsamda COCO veri seti ile eğitilmiş 'Faster R-CNN Inception v2 COCO' ve 'Faster R-CNN Resnet101 COCO' modelleri kullanıcı sistemine aktarılmış, açık kaynak programı olan SAS Planet uygulaması üzerinden Google ve Yandex şirketlerinin sunduğu uydu görüntülerinden 'stadyum' kapsayan görüntüler temin edilmiş ve her iki model hem Google hem de Yandex şirketlerine ait uydu görüntüleri ile eğitilmiştir. Çalışmanın doğruluk analizi F1-Skoru yöntemiyle yapılmıştır. F1-Skoru doğruluk metriğinde en başarılı sonucu veren model % 91 doğruluk oranı ile Yandex şirketinin uydu görüntüleriyle eğitilen Faster R-CNN Inception v2 COCO'dur.

Özet (Çeviri)

As a result of the rapid development of technology and the progress in computer hardware, the importance of deep learning is increasing day by day. Recently, many institutions/organizations prefer to use autonomous systems instead of manpower. One of the areas where deep learning algorithms are constantly being developed is models that can detect objects. The aim of the thesis study is to develop a model with satellite images provided by two different companies at the same corner coordinate and scale, and to analyze the effect of the satellite images shared by the companies on the success of the model. In the thesis study, Python 3.6 was used as the software language and Anaconda was used as the software developer. Tensorflow library was used as deep learning library, OpenCV library was used as computer vision library and Tensorflow Object Detection Application Programming Interface (API) was used as object detection model. In this context, the 'Faster R-CNN Inception v2 COCO' and 'Faster R-CNN Resnet101 COCO' models trained with the COCO data set were transferred to the user system, and the 'stadium' images from the satellite images shared by Google and Yandex companies via the open source program SAS Planet application were provided and both models were trained with satellite images belonging to both Google and Yandex companies. Accuracy analysis of the study was made using the F1-Score method. The model that gives the most successful result in the F1-Score accuracy metric is the Faster R-CNN Inception v2 COCO, which is trained with the satellite images of the Yandex company with an accuracy rate of 91%.

Benzer Tezler

  1. Tez No

    564955

    Derin öğrenme yöntemi ile optik uydu görüntülerinden gemi tespiti

    Ship detection by optical satellite images with deep learning method

    OSMAN DUMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. MESUT KARTAL

  2. Tez No

    731365

    Yapay zeka derin öğrenme yöntemi ile veri sızıntısı önleme

    Data leak prevention deep learning method with artificial intelligence

    ELİF SEVEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilim ve TeknolojiBahçeşehir Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YÜCEL BATU SALMAN

  3. Tez No

    873413

    İnsansız hava aracından elde edilen görüntülerin derin öğrenme yöntemi ile iyileştirilmesi

    Improvement of images obtained from unmanned aerial vehicle with deep learning method

    HALİL İBRAHİM GÜMÜŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Havacılık Bilimi ve Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER OSMAN DURSUN

  4. Tez No

    753040

    Lifelong learning for auditory scene analysis

    İşitsel sahne analizi için hayat boyu öğrenme

    BARIŞ BAYRAM

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN İNCE

  5. Tez No

    656897

    Yapay zeka ve mimarlık etkileşimi üzerine bir çalışma:Üretken çekişmeli ağ algoritması ile otonom mimari plan üretimi ve değerlendirmesi

    A study on interaction of artificial intelligence and architecture: Production and evaluation of architectural plans with generative adversarial networks

    CAN UZUN

    Doktora

    Türkçe

    Türkçe

    2020

    Mimarlıkİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    PROF. DR. MERYEM BİRGÜL ÇOLAKOĞLU

Geri Dön