Geri Dön

Uzaktan algılanmış görüntülerde mask R-CNN kullanımı

Using mask R-CNN in remote sensing images

  1. Tez No: 748336
  2. Yazar: BETÜL SARALIOĞLU
  3. Danışmanlar: PROF. DR. OĞUZ GÜNGÖR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Karadeniz Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 111

Özet

Çeşitli uzaktan algılama uyduları sayesinde günümüzde çok yüksek miktarda veri elde edilmektedir. Çok yüksek uzamsal çözünürlüklü uzaktan algılanmış verilerin yanında Sentinel gibi ücretsiz verilere erişmekte mümkün olmaktadır. Bu kadar büyük hacimli ve karmaşık yer yüzü detaylarına sahip uzaktan algılanmış görüntülerinin sınıflandırılması geleneksel yöntemlerle oldukça zordur. Mask R-CNN gibi hızlı derin öğrenme modelleri bir kere yüksek miktarda eğitim verisiyle eğitilerek farklı bölgelere ait görüntülerin saniyeler içerisinde sınıflandırılmasına imkân sağlayabilmektedir. Bu çalışmada en yeni evrişimli sinir ağı modellerinden biri olan Mask R-CNN kullanılarak Sentinel-2 ve Worldview-3 uydu görüntüleri üzerinde sınıflandırma çalışmaları yapılmıştır. Veri seti oluşturmak için toplamda 1515 görüntü, 18811 adet etiket oluşturulmuştur. Oluşturulan veri setleri üzerinde iki farklı senaryo gerçekleştirilmiştir. Bu senaryolardan ilkinde Sentinel-2 uydu görüntüleri kullanılarak bölge tespiti yapılmıştır. Sentinel-2 uydu görüntüsünde yapılaşma alanları tespit edilirken ResNet101 ve ResNet50 ağ mimarileri kullanılmıştır. Bu oluşturulan modellerden sırasıyla %81, %79 doğruluk elde edilmiştir. Sentinel-2 uydu görüntüsü üzerinden arazi örtüsü sınıflandırması amacıyla beş sınıf etiketli veri seti oluşturulmuş ve bunun sonucunda %74 doğruluk elde edilmiştir. İkinci senaryoda ise Worldview-3 uydu görüntüleri kullanılarak bina tespiti yapılmıştır ve %83 doğruluk elde edilmiştir. Elde edilen sonuçlar Mask RCNN ile uydu görüntülerinin sınıflandırılmasında başarı ile kullanılabileceğini göstermektedir. Bu yöntemin uydu görüntülerinde kullanımı anlık sınıflandırmaya imkân sağladığından önem taşımaktadır.

Özet (Çeviri)

Thanks to various remote sensing satellites, a very large amount of data is obtained today. It is possible to access free data such as Sentinel and remotely sensed data with very high spatial resolution. It is challenging to classify remotely sensed images with such large volumes and complex earth details using traditional methods. Fast deep learning models such as Mask R-CNN can be trained once with a large amount of training data, allowing images of different regions to be classified within seconds. In this study, classification studies were carried out on Sentinel-2 and Worldview-3 satellite images using Mask R-CNN, one of the newest convolutional neural network models. A total of 1515 images and 18811 labels were created to create the data set. Two different scenarios were carried out on the created data sets. In the first of these scenarios, the region was determined by using Sentinel-2 satellite images. ResNet101 and ResNet50 network architectures were used while detecting built up area in the Sentinel-2 satellite image. 81% and 79% accuracy were obtained from these created models, respectively. Five class labeled data sets were created for land cover classification on the Sentinel-2 satellite image, and as a result, 74% accuracy was obtained. In the second scenario, the building was detected using Worldview-3 satellite images and 83% accuracy was obtained. Obtained results show that Mask R-CNN can be used successfully in classification of satellite images. The use of this method in satellite images is important because it allows instant classification.

Benzer Tezler

  1. Uzaktan algılama görüntülerinde derin öğrenme temelli yaklaşımlar kullanarak nesne tespiti

    Object detection by using deep learning based approaches in remote sensing images

    NURİ ERKİN ÖÇER

    Doktora

    Türkçe

    Türkçe

    2020

    Astronomi ve Uzay BilimleriEskişehir Teknik Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    DOÇ. DR. UĞUR AVDAN

  2. 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

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

  3. Yeni çoklu çözünürlüklü görüntü ayrışımları ile çoklu spektral ve pankromatik uydu görüntülerinin füzyonu

    Fusion of multuispectral and panchromatic images via new multiresolution image decomposition

    NUR HÜSEYİN KAPLAN

    Doktora

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. IŞIN ERER

  4. Fine-grained object recognition in remote sensing imagery

    Uzaktan algılanmış görüntülerde ince taneli nesne tanıma

    GENCER SÜMBÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELİM AKSOY

    DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ

  5. New techniques for classification, enhancement, and fusion of multispectral remote sensing images

    Uzaktan algılanmış görüntülerde sınıflandırma, netleştirme ve füzyon tekniklerine yeni bir yaklaşım

    GÜLÇİN YİĞİTLER

    Yüksek Lisans

    İngilizce

    İngilizce

    2005

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF.DR. OKAN ERSOY

    Y.DOÇ.DR. TURGAY İBRİKÇİ