Geleneksel öznitelikleri CNN modellerine enjekte ederek uydu görüntülerinde arazi sınıflandırması
Land classification in satellite images by injecting traditional features to CNN models
- Tez No: 749504
- Danışmanlar: PROF. DR. CEM ÜNSALAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 52
Özet
Bu tezde, CNN modellerinin ve özellikle küçük boyutlu modellerin doğruluğunu artırmak için yeni bir yöntem önerdim. Önerilen yöntem, geleneksel bilgisayarlı görme özelliklerini CNN modeline birleştirmeye dayanmaktadır. Önerilen yöntemi SqueezeNet, MobileNetV2, ShuffleNetV2, VGG16 ve ResNet50V2 üzerinde test ettim. Bu modellerin boyutu 0,5 MB ile 528 MB arasındadır. Geleneksel bilgisayarlı görme özelliklerine gelince, örnek ortalama, gri seviye birlikte oluşum matrisi özellikleri, Hu momentleri, yerel ikili desenler, yönlendirilmiş gradyanların histogramı ve renk değişmezlerini kullandım. Arazi sınıflandırması yapmak için önerilen yöntemi EuroSAT, Plane, Ship ve Trees veri setinde test ettim. Deneysel sonuçlarım, önerilen yöntemin, seçilen CNN modellerine kıyasla arazi verilerinin sınıflandırılmasını önemli ölçüde geliştirdiğini göstermektedir. Böylece önerilen yöntemin uç (düşük güç ve düşük bellek) cihazlarda arazi sınıflandırma problemlerini performans kaybı olmadan çözmede yardımcı olabileceğini kanıtladım. Bunun nedenlerini sıralayacak olursak, kara alanlarının sınıflandırması ile, gerek tarım arazisi tespitinin, gerek sanayi ve şehir alanı gibi alanların tespitlerinin ve sınırlarının belirlenmesi için kullanılmaktadır. Ayrıca, sulak ve kurak alanların tespiti ile küresel ısınmanın etkileri gözlemlenmektedir. Ormanlık alanların takibi ve sınıflandırması ile, ormanlık alan durumu gözlemlenmektedir. Gemi ve uçak gibi araçların uydu görüntülerinden tespiti yapılıp takip ve sayısı hesaplanmaktadır. Burada bahsettiğim uygulamalar, kara sınıflandırması uygulamalarının sadece bir kısmını oluşturmaktadır. Uzaktan algılama alanında derin öğrenme uygulamaları yıllardır başarıyla kullanılmaktadır. CNN tabanlı modeller, uydu görüntülerinde arazi sınıflandırma problemlerinin çözümünde güvenilir sonuçlar vermektedir. Bu modeller genellikle büyük boyutlara sahiptir. Ancak insansız hava araçlarında yapılan uygulamalar gibi uygulamalar için daha düşük güç ve bellek gereksinimleri nedeniyle küçük boyutlu modellere ihtiyaç duyulmaktadır. CNN modellerinin doğruluğu, boyutları (parametre sayısı) da azaldığında azalır. Sonuç olarak, önerilen geleneksel yöntemleri derin öğrenme modellerine entegre etme metodu ile seçilen veri kümelerinin kara alanları tespit sonuçlarını oldukça iyi oranda arttırdığını gösterdim.
Özet (Çeviri)
In this thesis, I propose a new method to improve the accuracy of CNN models, and especially the ones with small sizes. The proposed method is based on concatenating traditional computer vision features into the CNN model. I tested the proposed method on SqueezeNet, MobileNetV2, ShuffleNetV2, VGG16, and ResNet50V2. These models have the size from 0.5 MB to 528 MB. As for traditional computer vision features, I used sample mean, gray level co-occurrence matrix features, Hu moments, local binary patterns, histogram of oriented gradients, and color invariants. I tested the proposed method on the EuroSAT, Plane, Ship and Trees dataset to perform land classification. My experimental results show that the proposed method notably improves the classification of land data compared to the chosen CNN models. Thus, I proved that the proposed method could be helpful in solving land classification problems on edge (lower power and low memory) devices without losing performance. If we list the reasons for this, it is used for the classification of land areas, the determination of agricultural land, the determination of areas such as industry and city areas and the determination of their borders. In addition, the effects of global warming are observed with the determination of wet and dry areas. With the monitoring and classification of forest areas, the forest area status is observed. Vehicles such as ships and planes are detected from satellite images and their tracking and number is calculated. The applications I mentioned here are only a part of the land classification applications. Deep learning applications has been used successfully in the field of remote sensing. CNN-based models give reliable results in solving land classification problems in satellite images. These models usually have huge size. However, small-sized models are needed for applications such as the ones implemented on unmanned aerial vehicles because of lower power and memory requirements. The accuracy of the CNN models reduces when their size (the number of parameters) is also reduced. As a result, I have shown that the proposed injecting traditional inputs and selected datasets and models increase land classification results very well.
Benzer Tezler
- Deep learning-based building segmentation using high-resolution aerial images
Yüksek çözünürlüklü hava görüntüleri kullanarak derin öğrenme temelli bina bölütlemesi
BATUHAN SARITÜRK
Doktora
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Presentation attack detection with shuffled patch-wise binary supervision
Karıştırılmış yama tabanlı ikili gözetim ile sunum saldırı tespiti
ALPEREN KANTARCI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Multi-scale recursive context aggregation network for semantic segmentation
Anlamsal bölümleme için çok ölçekli özyinelemeli bağlam birleştirme ağı
ABDULLAH YALÇIN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KESKİNÖZ
- Diagnosis of alzheimer's disease with deep learning: A hybrid 3D CNN and RNN approach
Derin öğrenme ile alzheımer hastalığının tanısı: Hibrit 3B CNN ve RNN yaklaşımı
IDRIS CHENTOUF
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiYapay Zeka Ana Bilim Dalı
YRD. DOÇ. DR. ZAFER İŞCAN
- CNN-based text-independent automatic speaker identification
Evrişimsel sinir ağı tabanlı metinden bağımsız otomatik konuşmacı tanılama
MANDANA FASOUNAKI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE