Uzaktan algılama görüntülerinden binaların çıkarılmasında derin öğrenme modellerinin kullanımı
Use of deep learning models to extract buildings from remote sensing images
- Tez No: 771592
- Danışmanlar: DOÇ. DR. EMİNE TANIR KAYIKÇI
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Jeodezi Bilim Dalı
- Sayfa Sayısı: 126
Özet
Bu çalışma ile derin öğrenme modeli kullanılarak uzaktan algılama görüntülerinden binaların otomatik olarak çıkarımı yapılmıştır. Modelin eğitimi ve testi için açık erişimli İnria veri seti kullanılmıştır. Çalışmada kullanılacak model oluşturulurken, farklı ağ omurgaları ve bölütleme algoritmalarının performansı aynı veri seti üzerinde değerlendirilmiş ve en yüksek başarım oranına sahip model seçilmiştir. Test edilen modeller;Resnext50 ağ omurgası ve FPN bölütleme mimarisinden oluşan model, VGG16 ağ omurgası ve U-Net mimarisinden oluşan model, ResNet50 ağ omurgası ve LinkNet mimarisinden oluşan model, ResNext50 ağ omurgası ve PSPNet mimarisinden oluşan modeldir. Bu 4 model içinde %78.14 IoU değeri ile iyi sonucu veren ResNext50 omurgası ve FPN bölütleme mimarisinden oluşan model çalışmada kullanılmak üzere seçilmiştir. Seçilen model 3 öğrenme dönemi için,ReLU aktivasyon fonksiyonu, Cross entropi ve zar kayıp fonksiyonları kullanılarak eğitilmiş ve ağın çıktısı için Softmax sınıflandırıcısı kullanılarak sonuçlar elde edilmiştir. Elde edilen sonuçlar literatürde aynı veri seti ile farklı modeller kullanılarak elde edilen sonuçlarla karşılaştırılmıştır.
Özet (Çeviri)
In this study, buildings were automatically extracted from remote sensing images using a deep learning model. The open access Inria dataset was used for training and testing the model. While creating the model to be used in the study, the performance of different network backbones and segmentation algorithms were evaluated on the same data set and the model with the highest success rate was selected. The tested models are the model consisting of Resnext50 network backbone and FPN segmentation architecture, the model consisting of VGG16 network backbone and U-Net architecture, the model consisting of ResNet50 network backbone and LinkNet architecture, the model consisting of ResNext50 network backbone and PSPNet architecture. Among these 4 models, the ResNext50 backbone and FPN segmentation architecture, which gave good results with an IoU value of 78.14%, was chosen to be used in the study. The selected model is trained using ReLU activation function, Cross entropy and Dice loss functions for 3 learning periods and results are obtained by using Softmax classifier for the output of the network. The results obtained were compared with the results obtained in the literature using different models with the same data set.
Benzer Tezler
- Uzaktan algılama ve CBS ile kıyı çizgisi değişiminin belirlenmesi: İzmit Körfezi örneği
Coastline change detection with remote sensing and GIS: Izmit Gulf case study
MUSTAFA CEYLAN
Yüksek Lisans
Türkçe
2012
Jeodezi ve FotogrametriHava Harp Okulu KomutanlığıUzay Bilimleri Ana Bilim Dalı
PROF. DR. DERYA MAKTAV
- Derin öğrenme metotları kullanılarak farklı sosyal statüye sahip yapısal alanlarda binaların semantik segmentasyonu: İstanbul örneği
Semantic segmentation of buildings in structural areas with different social statuses using deep learning methods: Istanbul example
BURCU AMİRGAN
Yüksek Lisans
Türkçe
2023
Jeodezi ve FotogrametriKocaeli ÜniversitesiJeodezi ve Jeoinformasyon Mühendisliği Ana Bilim Dalı
PROF. DR. ARZU ERENER
- Uydu görüntüleri ve tıbbi görüntülerden benzer görüntü işleme teknikleriyle bilgi çıkarımı
Data extraction with similar techniques: satellite images and medical images
UĞUR ACAR
Doktora
Türkçe
2012
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. BÜLENT BAYRAM
- LİDAR verileri ile desteklenmiş ortofoto görüntülerinden bina tespiti performans değerlendirmesi
Building detection performance evaluation of orthophoto images supported by LIDAR data
VURAL GERİM
Yüksek Lisans
Türkçe
2019
Jeodezi ve FotogrametriKocaeli ÜniversitesiJeodezi ve Jeoinformasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARZU ERENER
- Coğrafi bilgi sistemleri ve yüksek çözünürlüklü uydu görüntüleri kullanılarak kentsel alanlarda bina değişimi tespiti
Building change detection in urban areas using geographic information system and high resolution satellite image
REZA SHABANIZONOUZAAGH
Yüksek Lisans
Türkçe
2016
Jeodezi ve FotogrametriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA TÜRKER