A novel deep learning based approach for spatiotemporal image fusion
Konum-zamansal görüntü kaynaştırma için derin öğrenme tabanlı yeni bir yaklaşım
- Tez No: 782492
- Danışmanlar: PROF. DR. UĞUR AVDAN
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 103
Özet
Yüksek zamansal ve konumsal çözünürlük, afetlerin izlenmesi, bitkilerin büyüme döngüsünün izlenmesi, kentsel kaynakların izlenmesi ve orman değişimi tespiti gibi uygulamalarda önemli bir rol oynamaktadır. Ancak, kamuya açık olan uzaktan algılama görüntülerinin çoğu, ekonomik ve teknik nedenlerden dolayı yüksek konumsal ve zamansal çözünürlüğe sahip değildir. Bu sorun, konum-zamansal görüntü kaynaştırma kullanılarak yüksek konumsal ve zamansal çözünürlüğe sahip sentezlenmiş görüntüler üretilerek çözülebilir. Konvolüsyonel Sinir Ağları (CNN), özellikle güçlü zamansal değişiklikler altında, konum-zamansal kaynaştırma için uygun modellerdir. Ancak, mevcut CNN tabanlı yöntemler, içerdikleri bağlantılar nedeniyle hiyerarşik özellikleri tam olarak kullanamamaktadır. Çeşitli filtre boyutlarına sahip konvolüsyon katmanları, tahmin performansını iyileştirebilen hiyerarşik özellikler üretir. Bu tezin amacı, konum-zamansal kaynaştırma için üretilmiş mevcut CNN'lerin sınırlamalarını gidermek için hiyerarşik özellikleri çıkarabilen ve tam olarak kullanabilen bir CNN modeli geliştirmektir. Tez kapsamında önerilen Residual Dense Network for Spatiotemporal Fusion (STFRDN) isimli ağ, hiyerarşik özellikleri etkin bir şekilde kullanan yerel yoğun bağlantılara sahip artık yoğun bloklardan oluşmaktadır. Deneyler için büyük çözünürlük farklılıklarına ve güçlü zamansal değişikliklere sahip Sentinel-2 ve Sentinel-3 görüntü çiftlerini içeren Kansas veri seti geliştirilmiştir. Deneyler hem nicel hem de nitel değerlendirmeye dayalı olarak, önerilen STFRDN algoritmasının, tüm test gruplarında Flexible Spatiotemporal DAta Fusion (FSDAF) 2.0, Reliable and Adaptive Spatiotemporal Data Fusion (RASDF), ve DMNet yöntemlerinden daha iyi performans gösterdiğini ortaya koymuştur.
Özet (Çeviri)
High temporal and spatial resolution plays an important role in applications such as disaster monitoring, monitoring of the growing cycle of plants, urban resource monitoring, and forest change detection. However, most publicly available remote sensing images don't have both high temporal and spatial resolution due to economic and technical reasons. This problem can be addressed by producing synthesized images with high spatial and temporal resolution using spatiotemporal image fusion. Convolutional Neural Networks (CNN) are useful models for spatiotemporal fusion, especially under strong temporal changes. However, existing CNN-based methods are not able to fully utilize hierarchical features due to the connections they contain. Convolutional layers with receptive fields of various sizes produce hierarchical features that can improve prediction performance. The goal of this thesis is to develop a CNN model that can fully utilize hierarchical features and extract them to overcome the limitations of the existing CNNs produced for spatiotemporal fusion. The network proposed within the scope of the thesis called Residual Dense Network for Spatiotemporal Fusion (STFRDN) is composed of residual dense blocks with local dense connections that effectively utilize the hierarchical features. Kansas dataset, which includes Sentinel-2 and Sentinel-3 image pairs with large resolution differences and strong temporal changes, was developed for the experiments. Based on both quantitative and qualitative evaluation, experiments revealed that the proposed STFRDN algorithm outperformed the Flexible Spatiotemporal DAta Fusion (FSDAF) 2.0, Reliable and Adaptive Spatiotemporal Data Fusion (RASDF), and DMNet methods in all of the test groups.
Benzer Tezler
- Novel deep learning approaches for functional MRI data analysis
Fonksiyonel MRG veri analizi için yenilikçi derin öğrenme yöntemleri
HASAN ATAKAN BEDEL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. TOLGA ÇUKUR
- Lifelong learning for auditory scene analysis
İşitsel sahne analizi için hayat boyu öğrenme
BARIŞ BAYRAM
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
- Modeling non-stationary dynamics of spatio-temporal sequences with self-organizing point process models
Kendini düzenleyen noktasal süreç modelleri ile uzay-zamansal dizilerin durağan olmayan dinamiklerini modelleme
OĞUZHAN KARAAHMETOĞLU
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN SERDAR KOZAT
- A new approach to satellite communication: Harnessing the power of reconfigurable intelligent surfaces
Uydu iletisimine yeni bir yaklaşım: Yeniden yapılandırılabı̇lı̇r akıllı yüzeylerden faydalanma
KÜRŞAT TEKBIYIK
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Deep learning-based multi-context-aware multi-criteria recommender system
Derin öğrenme tabanli çoklu bağlama duyarli çok kriterli öneri sistemi
IFRA AFZAL
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CİHAN KALELİ
DR. ÖĞR. ÜYESİ BURCU YILMAZEL