Terrain classification by using hyperspectral and LiDAR data
Hiperspektral ve LiDAR verisi ile arazi sınıflandırması
- Tez No: 807122
- Danışmanlar: PROF. DR. YASEMİN YARDIMCI ÇETİN, DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Yönetim Bilişim Sistemleri, Computer Engineering and Computer Science and Control, Science and Technology, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 109
Özet
Çoklu sensör verilerinin etkili bir şekilde modellenmesi, uzaktan algılamada son teknolojinin geliştirilmesine yönelik önemli bir araştırma yönüdür. Bu tezde, makine öğrenimi tabanlı sınıflandırma işlem hatlarından başlayarak bu konuyu ele alıyor, hiperspektral ve LiDAR verileri için sensör tabanlı model özelleşmesine ihtiyaç duymayan derin öğrenme tabanlı bir arazi sınıflandırma çerçevesi, uzamsal ve spektral örüntüler için yeni bir bileşen öneriyoruz. Bu çerçeve, mevcut sınıflandırma yöntemlerinden daha iyi performans gösterebilen modellere olanak sağlamaktadır. Derin öğrenme modelleri gölgelerle kaplı bölgelerde hala önemli zorluklarla karşılaşmaktadır. Bu sorunu ele almak için bu tez, çekişmeli üretici ağlara ve geçişli örneklem dönüşümlerini ve ikilemlerdeki ilişkili örneklerle birleştiren yeni bir kayıp fonksiyonuna dayanan bir veri üretim yaklaşımı önermektedir. Bu yeni kayıp fonksiyonu, bina veya bulut gölgeleri altındaki bölgeler için sentetik örneklerin oluşturulmasını sağlayarak modellerin bu tür bölgeleri tanıma performansını artırmaktadır. Nitel ve nicel değerlendirmeler, önerilen metodolojilerin çoklu sensör verilerini birleştirebilen modeller oluşturmak için kullanılabileceğini ve gölgeli bölgeler altında sınıflandırma sonuçlarını iyileştirdiğini göstermektedir.
Özet (Çeviri)
Effective modeling of multiple sensor data is an important research direction towards improving the state-of-the-art in remote sensing. In this thesis, we address this issue starting from machine learning-based classification pipelines and propose a deep learning-based terrain classification framework for hyperspectral and LiDAR data that does not require sensor-based model specialization with a new building block for detecting spatial and spectral patterns. This framework enables models that can outperform existing classification methods. Deep learning models still encounter significant difficulties in regions covered with shadows. To address this issue, this study proposes a data augmentation approach based on generative adversarial networks (GANs) and a novel loss function that combines the transitive style transformations and unpaired matchings with correlated samples. This novel loss function leads generation of synthetic samples for regions masked by building or cloud shadows, thereby boosting the performance of deep networks in recognizing such regions. Qualitative and quantitative evaluations show that the proposed methodologies can be used to build models that can fuse multi-sensor data and improve classification results under shadowed regions.
Benzer Tezler
- Hiperspektral görüntü ve LiDAR verisinin koşullu rastgele alanlar yöntemi ile birleştirilmesi ve sınıflandırılması
Fusion and classification of hyperspectral images using conditional random fields
HAKAN AYTAYLAN
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SENİHA ESEN YÜKSEL
- Offshore oil slick detection with remote sensing techniques
Uzaktan algılama teknikleri ile denizel petrol sızıntılarının tespiti
SERTAÇ AKAR
Yüksek Lisans
İngilizce
2007
Jeodezi ve FotogrametriOrta Doğu Teknik ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. M. LÜTFİ SÜZEN
DOÇ. DR. NURETDİN KAYMAKÇI
- Taşkın modellemede LiDAR verisi ile performans analizleri
Performance analyses with with LiDAR data in flood modelling
HAKAN ÇELİK
Doktora
Türkçe
2017
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HİLAL GONCA COŞKUN
- Doku ve renk öznitelikleriyle tarla görüntülerinden bitki ve fenolojik evrelerinin çıkarımı
Plant and phenology recognition from field images using texture and color features
FATİH GÜLAÇ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Kastamonu ilinin alansal değişiminin belirlenmesi ve peyzaj plan kararlarının alınması
Determination of spatial change of the city of Kastamonu and taking the decisions of the landscape plan
UĞUR CANTÜRK
Yüksek Lisans
Türkçe
2018
Peyzaj MimarlığıKastamonu ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
DOÇ. DR. MEHMET ÇETİN