Geri Dön

Object detection from optical satellite images using deep learning techniques

Derin öğrenme tekniklerini kullanarak optik uydu görüntülerinden nesne tespiti

  1. Tez No: 767471
  2. Yazar: ESRA YILDIRIM
  3. Danışmanlar: PROF. DR. TAŞKIN KAVZOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Gebze Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Bilim Dalı
  13. Sayfa Sayısı: 134

Özet

Uzaktan algılama teknolojileri ve uydu sistemlerinde meydana gelen hızlı gelişmelerle birlikte yüksek çözünürlüklü görüntüler elde edilebilmekte ve bu görüntülerden birçok yapay nesne ayırt edilebilmektedir. Son yıllarda, derin öğrenme büyük miktarda veri kullanımı ve artan hesaplama gücü nedeniyle görüntü sınıflandırma, nesne algılama ve segmentasyon dahil olmak üzere bilgisayarla görü sorunları için popüler bir teknoloji haline gelmiştir. Bu tez çalışmasında, derin öğrenme tabanlı nesne algılama algoritmaları kullanılarak uzaktan algılanan görüntülerden otomatik gemi tespiti gerçekleştirilmiştir. Bu amaçla, High-Resolution Remote Sensing Detection (TGRS-HRRSD) ve A Large-Scale Dataset for Object Detection in Aerial Images (DOTA) veri setlerindeki görüntüler birleştirilerek bir gemi veri seti oluşturulmuştur. Oluşturulan veri seti, eğitim ve doğruluk değerlendirme aşamalarında kullanılan eğitim ve test veri setlerine bölünmüştür. Gemilerin tespiti için sırasıyla ResNet-101 V1, ResNet-50 V1 FPN, EfficientNet-B1-BiFPN ve Hourglass-104 omurgaları ile birleştirilen Faster R-CNN, SSD, EfficientDet-D1 ve CenterNet dahil olmak üzere önceden eğitilmiş dört derin öğrenme algoritması kullanılmıştır. Tüm modeller, transfer öğrenme yaklaşımı kullanılarak eğitilmiş ve test edilmiştir. En iyi performans gösteren modeli elde etmek için hiperparametre optimizasyonu gerçekleştirilmiştir. Uygulanan modellerin performansı, Common Objects in Context (COCO) değerlendirme metrikleri kullanılarak analiz edilmiştir. Modellerin aktarılabilirliğini araştırmak için GÖKTÜRK-1 uydu görüntüleri kullanılarak bağımsız bir değerlendirme yapılmıştır. Deneysel sonuçlar, COCO metriklerine göre test veri setinde CenterNet modelinin en yüksek doğruluğu elde ettiğini ve GÖKTÜRK-1 görüntüleri üzerinde en yüksek genelleştirme yeteneğine sahip olduğunu ortaya koymuştur. Bu sonuçlar göz önüne alındığında, CenterNet'in uzaktan algılanan görüntülerde gemileri tanımlamada önemli potansiyel uygulanabilirliğe sahip olduğu bulunmuştur.

Özet (Çeviri)

With the rapid improvements in remote sensing technologies and satellite systems, high-resolution images can be obtained, and many artificial objects can be distinguished from these images. In recent years, deep learning has become a state-of-the-art solution for computer vision problems, including image classification, object detection, and segmentation owing to its large amount of data usage and increasing computational power. In this thesis, automatic ship detection from remotely sensed images was performed using deep learning-based object detection algorithms. For this purpose, the ship dataset was created by combining images in High-Resolution Remote Sensing Detection (TGRS-HRRSD) and A Large-Scale Dataset for Object Detection in Aerial Images (DOTA) datasets. The created dataset was split into training and testing datasets used in the training and accuracy assessment stages. Four pre-trained deep learning algorithms were utilized for detecting ships, including Faster R-CNN, SSD, EfficientDet-D1, and CenterNet combined with ResNet-101 V1, ResNet-50 V1 FPN, EfficientNet-B1-BiFPN, and Hourglass-104 backbones, respectively. All models were trained and tested using the transfer learning approach. Hyperparameter optimization was carried out to obtain the best-performing model. The performance of applied models was analyzed using Common Objects in Context (COCO) evaluation metrics. An independent evaluation was implemented using satellite images from GÖKTÜRK-1 to investigate the transferability of the models. Experimental results revealed that CenterNet model achieved the highest accuracy on the testing dataset, according to COCO metrics, and had the highest generalization capability on GÖKTÜRK-1 images. Given these results, CenterNet was found to have crucial potential applicability in identifying ships in remotely sensed images.

Benzer Tezler

  1. Derin öğrenme yöntemleri ile uydu görüntülerinden gemilerin tespiti ve sınıflandırılması

    Detection and classification of ships from satellite images using deep learning methods

    MEHMET SAMİ TÜRKER

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Savunma ve Savunma TeknolojileriKırıkkale Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ENES AYAN

  2. Derin öğrenme ile uydu görüntülerinde hedef tespiti

    Target detection in satellite images using deep learning

    VAZIRKHAN TARVERDIYEV

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  3. 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

  4. Satellite images super resolution using generative adversarial networks

    Uydu görüntülerinde çekişmeli üretici ağ kullanarak süper çözünürlük

    MARYAM SERDAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. AHMET HAMDİ KAYRAN

  5. Derin öğrenme ile süper çözünürlüklü radar görüntüleme

    Super resolution radar imaging with deep learning

    İREM FADİME ERİM

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik-Haberleşme Eğitimi Ana Bilim Dalı

    PROF. DR. IŞIN ERER