Çok yüksek çözünürlüklü hava fotoğraflarından derin ögrenme yöntemi ile bina bölütlemesi
Building segmentation from very high resolution aerial imagery using deep learning
- Tez No: 768797
- Danışmanlar: PROF. DR. BÜLENT BAYRAM
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: 54
Özet
Güncel bina ayak izi haritaları, sürdürülebilir kentsel planlama, akıllı ¸şehir uygulamaları ve kentsel yayılma izleme gibi coğrafi uygulamalar için yüksek talep ˘ görmektedir. Plansız büyüme ve yerleşme, ekolojik dengenin bozulması, doğal ˘ afetlerin verdiği zararların artması, verimli toprakların tahribi, kuraklık gibi birçok ˘ soruna neden olmaktadır. Kentsel büyümenin analizi ve izlenmesi, hızlı kentleşme alanlarında kentsel planlama, çevre yönetimi ve sürdürülebilir kalkınma için önemli bir konudur. Uzaktan algılama ve yapay zeka teknolojilerindeki son gelişmeler, hızlı, güvenilir ve doğru bina ayak izi haritaları elde etmek için büyük fırsatlar ˘ sunmaktadır. Çok yüksek çözünürlüklü uydu görüntüleri ve hava fotoğrafları, çeşitli ˘ bina tiplerine sahip ¸şehirler için otomatik yaklaşımlarla bina ayak izlerini elde etmek için zengin konumsal bilgi kaynaklarıdır. Erişimli sinir ağları, son zamanlarda uydu ˘ görüntülerinden bina ayak izlerini başarılı bir ¸şekilde elde etmek için kullanılmıştır. Ancak, yüksek çözünürlüklü verilerden bölütleme olusturmak, karmaşık arka planlar ve heterojen veri yapısı nedeniyle hala zorlu bir iştir. Bu sorunların üstesinden gelmek için derin ögrenme teknikleri faydalı yaklaşımlar haline gelmiştir. Bu çalışmada, ˘ bina bölütlemesi için DeepLabV3+, Unet++, Pix2pix, Özellik Piramit Ayı (FPN), ˘ Piramit Sahne Ayrıştırma Ağı (PSPNet) mimarileri ve Çoğunluk Oylaması yönteminin ˘ performansının araştırılması amaçlanmıştır. Mimarilerin hiper parametreleri, doğru ˘ sonuçlar elde etmek için ampirik olarak test edilmiş ve seçilmiştir. Eğitim ve test ˘ için 0,075 ila 0,3 m uzamsal çözünürlüğe sahip Wuhan Üniversitesi Bina Veri seti ˘ kullanılmıştır. Giriş görüntüleri 512 x 512 pikseldir. Yapılan deneylerde elde edilen test veri setindeki doğruluk değelindirme sonuçları, DeepLabV3 ˘ + için en yüksek birleşim üzerinden ortalama kesişim (IoU) değeri %90,22, Unet ˘ ++ için %91,01, Pix2pix için %83,50, Özellik Piramit Agı (FPN) için % 88,90, Piramit ˘ Sahne Ayrıştırma Ayı (PSPNet) %88,20 ve Çoğunluk Oylaması için %91,06'ya ˘ ulaştığını göstermektedir. Elde edilen sonuçlar, derin öğrenme mimarilerinin çok ˘ yüksek çözünürlüklü hava fotoğraflarından bölütleme oluşturma konusunda oldukça ˘ yetenekli olduğunu göstermektedir. Ayrıca, 5 farklı derin öğrenme mimarisi ˘ kullanılarak uygulanan çoğunluk oylaması yöntemi en yüksek değere ulaşmıştır.
Özet (Çeviri)
Up-to-date building footprint maps are of high demand for geographical applications such as sustainable urban planning, smart city applications and urban sprawl monitoring. Unplanned growth and settlement cause many problems such as deterioration of ecological balance, increase in damage from natural disasters, destruction of fertile lands, and drought. Analysis and monitoring of urban growth is an important issue for urban planning, environmental management, and sustainable development in areas of rapid urbanization. Recent advancements on remote sensing and artificial intelligence technologies provide great opportunities to obtain rapid, reliable, and accurate building footprint maps. Very high-resolution satellite images and aerial images are rich data sources of spatial information for obtaining building footprints with automated approaches for cities with a variety of building types. To overcome these problems, deep learning techniques became useful approaches. In this study, it is aimed to investigate the performance of DeepLabV3+, Unet++, Pix2pix, Feature Pyramid Network (FPN), Pyramid Scene Parsing Network (PSPNet) architectures and Majority Voting method for building segmentation. The hyper parameters of the architecture have been tested and selected empirically to obtain accurate results. The Wuhan University (WHU) Aerial Building Dataset with a spatial resolution of 0.075 to 0.3 m is used for training and testing. Input images are cropped to 512 x 512 pixels. The accuracy assessment results on the test dataset show that mean intersection over union (IoU) reached 90.22% for Deeplabv3+, 91.01 for Unet++ 83.50% for Pix2pix 88.90% for Feature Pyramid Network (FPN), 88.20% for Pyramid Scene Parsing Network (PSPNet) and 91.06% for majority voting. The obtained results show that deep learning architectures are highly capable for building segmentation from very high-resolution aerial imagery. In addition, it was observed that the majority voting method applied using 5 different deep learning architectures reached the highest value.
Benzer Tezler
- Deep learning based road segmentation from multi-source and multi-scale data
Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi
OZAN ÖZTÜRK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Road geometry extraction with fusion of low resolution satellite imagery and GPS trajectory using deep learning methods
Düşük çözünürlüklü uydu görüntüleri ve GPS rotaları birleştirilmesi ve derin öğrenme yöntemleri kullanılarak yol geometrilerinin tespiti
NECİP ENES GENGEÇ
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGİN TARI
- Assessing the impact of super-resolution on enhancing the spatial quality of historical aerial photographs
Tarihi hava fotoğraflarının mekansal kalitesini artırmada süper-çözünürlüğün etkisinin irdelenmesi
ABDULLAH HARUN İNCEKARA
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Farklı sayısal yüzey modellerinin doğruluk değerlendirmesi
Accuracy assessment of different digital surface models
BARIŞ BEŞOL
Yüksek Lisans
Türkçe
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI
- Object detection in aerial and satellite images
Hava ve uydu görüntülerinde nesne tanıma
BERİL SIRMAÇEK
Doktora
İngilizce
2009
Astronomi ve Uzay BilimleriYeditepe ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
DOÇ. DR. CEM ÜNSALAN