Object detection from optical satellite images using deep learning techniques
Derin öğrenme tekniklerini kullanarak optik uydu görüntülerinden nesne tespiti
- Tez No: 767471
- Danışmanlar: PROF. DR. TAŞKIN KAVZOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Bilim Dalı
- 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
- 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
2024
Savunma ve Savunma TeknolojileriKırıkkale ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENES AYAN
- 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
- 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
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Satellite images super resolution using generative adversarial networks
Uydu görüntülerinde çekişmeli üretici ağ kullanarak süper çözünürlük
MARYAM SERDAR
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. AHMET HAMDİ KAYRAN
- Derin öğrenme ile süper çözünürlüklü radar görüntüleme
Super resolution radar imaging with deep learning
İREM FADİME ERİM
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik-Haberleşme Eğitimi Ana Bilim Dalı
PROF. DR. IŞIN ERER