Deep learning based road segmentation from multi-source and multi-scale data
Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi
- Tez No: 828461
- Danışmanlar: PROF. DR. DURSUN ZAFER ŞEKER
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 109
Özet
Yollar şehir planlamasından trafik yönetimine, afet yönetiminden askeri müdahalelere kadar birçok araştırma ve uygulama alanına konu olan ve önemini her zaman korumaya devam eden bir coğrafi objelerdir. Bu uygulama ve araştırmaların başarısı, yol bilgilerinin elde edilmesindeki hıza ve doğruluğa bağlıdır. Yoğunlukla veri kaynağı olarak uydu ve/veya hava fotoğraflarından yararlanılan bu çalışmalarda, araştırmacılar yol bilgilerinin otomatik elde edilmesine odaklanmışlardır. Her ne kadar günümüzde yaygın olarak kullanılan yapay zeka temelli yaklaşımlarla başarılı sonuçlar elde edilmiş olsa da, uzaktan algılama verilerinden otomatik olarak yolların bölütlenmesi, karmaşık ve düzensiz yapılarından dolayı hala zorlu ve önemli bir problem olarak ele alınmaktadır. Yapay zeka, akıl yürütme, algılama ve problem çözme gibi insani yetilerin bilgisayarlar tarafından gerçekleştirilmesi amacıyla geliştirilmiştir. Buradaki en temel beklenti, yapay zekanın insanlardaki düşence olgusunu taklit ederek geleneksel yaklaşımların yetersiz kaldığı problemlerin üstesinden gelebilmesidir. Yapay zeka ilk olarak makine öğrenmesi yaklaşımlarıyla gelişim göstermiştir. Makine öğrenmesinde verinin temsili önceden oluşturulmuş doğrusal ilişkilere dayanmaktadır. Ancak, bu kuralcı çalışma prensibi, yapay zekadan beklenen seviyede insan beynine benzer karar verebilme kapasitesini tam olarak karşılamamıştır. Bu kapsamda, yapay zekanın engel tanımayan gelişimiyle birlikte, makine öğrenmesinden derin öğrenmeye geçiş gerçekleşmiştir. Derin öğrenme, makine öğrenmesinin aksine, veri ile daha karmaşık bir ilişki kurarak verinin gizli kalmış özellikleri daha doğru ayırt edebilmektedir. Derin öğrenme aslında her bir katmanında birden çok temsil düzeyinde özellik öğrenimi gerçekleştirilen çok katmanlı derinleştirilmiş yapay sinir ağlarıdır. Derinlik mimarinin oluşturulduğu yapay sinir ağındaki katman sayısını ifade etmektedir. Verinin temsili anlamlı özelliklerin öğrenilmesi ve bu özelliklerdeki benzer dokuların benzer veri setlerinde aranarak soyutlanması şeklindedir. Derin öğrenme veri odaklı olup, eğitim verilerinin kalitesi, sayısı ve çeşitliliği modellerin performansını doğrudan etkilemektedir. Bu amaç doğrultusunda, MNIST, COCO ve ImageNet gibi kapsamlı veri setleri oluşturulmuştur. Ancak, coğrafi detayları içeren veri setleri, bu veri setlerine kıyasla kısıtlı kalmıştır. Bu kısıtlı veri modellerin oluşturduğu karmaşık ilişkilerinin çözümlerinde detayların doğru biçimde genellemesi gerçekleştirilememektedir. Ayrıca, coğrafi detayları içeren veri setleri oluşturuldukları bölgelerin karakteristik özelliklerini temsil etmektedir. Bu veri setleri ile gerçekleştirilen eğitimler sonucunda üretilen modellerin, sadece bu verilerden öğrenebildiği seviyede detayları ayırt edebilecek kapasiteye sahip olması kaçınılmazdır. Örneğin, derin öğrenme modellerinin yol bölütleme problemlerinde kullanılabilirliğinin test edilmesi amaçlı yaygın olarak DeepGlobe ve Massachusetts yol veri setleri kullanılmaktadır. Ancak, bu veri setlerin kullanılarak eğitilmiş modellerin, İstanbul gibi karmaşık kent dokusuna sahip bölgelerdeki yolları başarılı bir şekilde tahmin etmesi oldukça zordur. Bu tez kapsamında, derin öğrenme algoritmalarıyla yol bölütleme çalışmalarındaki veri açığının giderilmesi, çalışma bölgesini temsil eden veri setlerinin üretilmesi ve yalnızca optik görüntülerin kullanımında mevcut araştırmaların karşılaştığı problemlerin üstesinden gelinebilmesi için farklı kaynaklardan elde edilen verilerin birlikte kullanılması hedeflenmiştir. Bu tez çalışması beş ana bölümünden oluşmaktadır. Giriş bölümünde genel olarak konu ile ilgili mevcut çalışmalar ve tez çalışmasıyla ilgili kapsamlı bilgiler verilmiştir. İkinci bölümünde, veri kaynaklı sorunların üstesinden gelinebilmesi amacıyla web harita servisi kullanılarak hızlı, doğru ve kapsamlı yol veri seti üretim alt yapısı oluşturulmuştur. Bu amaçla, kullanıcı isteklerine bağlı haritaların düzenlenebildiği servis sağlayıcılarından yararlanılması uygun bulunmuştur. Google Maps Platformunun Static API özelliği kullanılarak, Python programlama dilinde bir veri üretme programı geliştirilmiştir. Bu programda uydu görüntülerine karşılık gelen maske görüntülerinin özellikleri bir JavaScript koduyla tanımlanmıştır. Yol bölütleme çalışmaları için otomatik bir sabit harita stili oluşturulmuştur. Ayrıca, geliştirilen bu program kullanılarak sabit görüntü boyutlarında ve belirlenen test bölgeleri sınırlarında istenilen sayıda görüntüler rastegele veya dizi halinde üretilebilmektedir. Ayrıca, Google Maps Platform, görüntüler hakkında coğrafi bilgiler sağlamamaktadır. Bu açığı kapatabilmek amacıyla, görüntülerin bilinen merkez pikselinin enlem ve boylamı ile bu görüntülerin jeo-referanslandırma işlemini gerçekleştirebilecek özellikte programa eklenmiştir. Tezin üçüncü bölümünde, yol bülütleme çalışmalarında test edilen bölgenin karakterini ifade eden veri setinin üretilmesi gerekliliğinin ortaya konulması amacıyla, İstanbul yol veri seti oluşturulması hedeflenmiştir. İstanbul'un yol ağı, sürekli artan nüfus miktarıyla birlikte gelişim halindedir. Bununla birlikte, farklı yol tiplerini ve arazi kullanım detaylarını barındırması nedeniyle derin öğrenmenin ihtiyaç duyduğu veri çeşitliliğini karşılayabilecek düzeydedir. İstanbul'un değişen ve gelişen yapısı, onu sürekli gözlemlenmesi ve incelenmesi gereken önemli bölgelerden biri yapmaktadır. Büyük ölçekli yol bölütleme çalışmalarında genellikle yakınlaştırma düzeyi olarak 16 veya 17 tercih edilmektedir. Ancak, farklı yakınlaştırma seviyelerinin yol bölütleme çalışmalarına getireceği katkıların irdelenmesi açısından 14, 15, 16 ve 17 yakınlaştırma seviyeleri çalışmalara dahil edilmiştir. Bu yaklaşımla, İstanbul'da belirlenen test bölgelerinde, her bir yakınlaştırma seviyesi için 10000 adet optik görüntüsü ve bu görüntülerin yol maske görüntüleri üretilmiştir. Üretilen veri setinin derin öğrenme modellerinde performansını test etmek için, görüntü bölütleme çalışmalarında başarılı sonuçlar elde etmiş olan derin artık U-Net mimarisi kullanılmıştır. Eğitimler sonucunda elde edilen modellerin tahmin metrikleri incelendiğinde, İstanbul veri setinin ayrı ayrı her bir yakınlaştırma seviyesinde yol bölütlemesi açısından başarılı sonuçlar elde ettiği tespit edilmiştir. Ayrıca, çalışma bölgesinin dışında üretilen veri setleriyle gerçekleştirilen eğitimlerle üretilen modellerin İstanbul görüntüleriyle tahmin performansını test edebilmek için, yol bölütleme çalışmalarında yaygın olarak tercih edilen DeepGlobe ve Massachusetts veri setleri analizlere dahil edilmiştir. Bu verilerle eğitilen modellerde İstanbul veri seti test edilmiş ve oldukça düşük tahmin doğrulukları elde edilmiştir. Bu durum, çalışma alanındaki yol ağının yerel özelliklerini yansıtan bir veri seti üretilmesi gerekliliğini ortaya koymuştur. İstanbul veri seti kapsamlı bir şekilde incelendiğinde, 17 yakınlaştırma düzeyinde üretilen görüntülerin diğer yakınlaştırma düzeylerine göre daha karmaşık piksel ve arka plan yapısına sahip olduğu ve tahmin doğruluğunun olumsuz etkilendiği tespit edilmiştir. Bu kapsamda, iki alternatif model önerilmiştir. İlk yaklaşımda başlangıç ağırlıkları olmaksızın 14 yakınlaştırma seviyesinde eğitim gerçekleştirilmiştir ve bu eğitimden elde edilen ağırlıklar 15 yakınlaştırma seviyesindeki eğitime başlangıç ağırlıkları olarak dahil edilmiştir. Bu yaklaşımla bir önceki yakınlaştırma seviyesinden bir sonraki seviyeye ağırlıkları aktararak 17 yakınlaştırma seviyesine kadar ağrılıkların taşınması gerçekleştirilmiştir. İkinci yaklaşımda ise 17 yakınlaştırma seviyesindeki görüntülere L0 normalizasyon işlemi gerçekleştirilmiştir. Elde edilen sonuçlara göre, ağırlık taşıma yaklaşımında %2'lere ve L0 yaklaşımıyla tahmin doğruluklarında %3'lere varan artışlar elde edilmiştir. Son olarak, tüm yakınlaştırma seviyelerinde eşit sayıda görüntü içeren yeni bir veri seti oluşturulmuştur. Eğitim sonucunda oluşturulan modelde her bir yakınlaştırma düzeyine ait görüntüler ayrı ayrı test edilmiştir. Yakınlaştırma düzeyi ne olursa olsun modelin amaca uygun olarak otomatik yol bölütleme çalışmalarında kullanılabilecek başarılı bir model olduğu sonucuna varılmıştır. Yol bölütlemesi çalışmaları, sadece optik görüntülerin kullanılması, kentsel alanlardaki binaların ve objelerin oluşturduğu gölgeler ve bu nesnelerin yol üzerinde meydana getirdiği engellemeler nedeniyle olumsuz etkilenmektedir. Bu sorunlar, özellikle yüksek çözünürlüklü uydu görüntüleri kullanıldığında daha çok meydana gelmektedir. Ayrıca, özellikle kırsal alanlarda, ağaçların yolları kaplaması bir diğer hata kaynağıdır. Problemlerin çözümünde derin öğrenme modellerinin geliştirilmesinin yanı sıra, sadece uydu görüntülerinin kullanılması yerine uydu görüntülerinin eksikliklerini giderilmesi gerekmektedir. Bu amaçla, farklı türde veriler çalışmalara dahil edilerek modellerin ihtiyaç duyduğu veri gereksiniminin karşılanması sağlanabilir. Bu verilere örnek olarak ele alınabilecek LiDAR verisi, objeler hakkında detaylı bilgiler sunmaktadır. Ayrıca, optik görüntülerde meydana gelen sorunları barındırmadığı için uydu görüntüleriyle birlikte kullanılmasının gerçekleştirilebilmesi halinde yol bölütleme çalışmalarında daha başarılı modeller üretilebilir. Bu tezin dördüncü bölümünde, tespit edilen problemlerin çözülebilmesi amacıyla optik görüntüler ile LiDAR nokta bulutunun birlikte kullanılabilirliği irdelenmiştir. Bu birleşimin gerçekleştirilmesinde özellik düzeyinde birleşim stratejisinin kullanılması önerilmiştir. Bu stratejide, optik görüntülerin özellikleri derin öğrenme tabanlı modellerden hesaplanırken, LiDAR nokta bulutunun özellikleri 3B geometrik ilişki oluşturularak hesaplanmıştır. Optik görüntüler ve bu görüntülerin yol maskeleri içeren verinin temininde, bu tezin üçüncü bölümünde geliştirilen veri üretim altyapısı kullanılmıştır. Önerilen birleşim stratejisinde, optik görüntülerin özellikleri doğrudan derin öğrenme modelinden hesaplanmıştır. Ancak, 3B nokta bulutu düzensiz bir yapıdadır ve bu yapıdan anlamlı bilgiler çıkartılması için bir dizi ön işleme adımına tabi tutulması gerekmektedir. Noktaların komşularıyla özellik vektörleri oluşturarak bağlamsal bilgi elde edilmektedir. Bu kapsamda, her bir noktanın 3 boyutlu komşuluk ilişkilerinin belirlenmesi ve bu komşuluklara bağlı geometrik özelliklerin hesaplanması gerekmektedir. Her bir nokta için k-en yakın komşuluk (KNN) algoritması kullanılarak komşulukları belirlenmiştir. Bu komşuluklara bağlı olarak 8 adet özdeğer vektörüne ve 5 adet 3B geometrik özelliklere bağlı olmak üzere toplamda 13 adet LiDAR özelliği hesaplanmıştır. Bu hesaplanan özelliklerin, optik görüntü özellikleri ile birleştirilebilmesi için LiDAR özelliklerinin 2B özellik görüntülerine dönüşümü gerçekleştirilmiştir. Optik görüntülerin girdi olarak verildiği derin artık U-Net modelinde son konvolüsyon katmanının öncesinde, yüksek seviye optik görüntü özelikleri ile hesaplanan LiDAR özellikleri, özellik düzeyinde birleştirilmiştir. Ayrıca, U-Net modelinin kodlayıcı bloklarına daha derin özellik çıkarımı gerçekleştirebilen ResNet sinir ağı eklenmiştir. Her biri farklı analiz olacak şekilde entegre edilen ResNet (18, 34, 50 ve 152) mimarileriyle özellik düzeyinde birleşimin performans tutarlılığı irdelenmiştir. Elde edilen sonuçlara göre görüntü ve LiDAR birleşimi, yol bölütleme konusunda tüm analizlerde %1'den %5'e kadar metrik istatistiklerini artırarak daha iyi performans gösterdiği tespit edilmiştir. Bununla birlikte, tek tek oluşturulan tahmin görselleri incelendiğinde, birleşim yönteminin ağaçların olduğu alanlarda yol geometrisinin tamamlanmasına yardımcı olduğu tespit edilmiştir. Bu yöntemle, ağaçlık ve gölge etkilerinin oluştuğu alanlarda derin öğrenme modelinde yalnızca uydu görüntülerinin kullanılmasına nazaran daha iyi bir doğruluk ve kalitede yol piksellerinin bölütlenmesini gerçekleştirildiğini göstermiştir. Sonuç olarak, çalışma alanına özel optik görüntüler ve bu görüntülere karşılık gelen yol maske görüntüleri üretebilen program geliştirilmesi ile derin öğrenme tabanlı yol bölütlemesi çalışmalarında ihtiyaç duyulan yüksek miktarda verilerin üretiminin daha hızlı gerçekleştirilmesi sağlanmıştır. Ayrıca, jeo-referanslı veri üretim altyapısının geliştirilmesi, üretilen veri setlerinde elde edilen optik görüntülerin, özellikle farklı kaynaklardan elde edilen verilerle kullanılabilirliğini mümkün kılmıştır. Üretilen veri setleri ile eğitilen derin öğrenme modellerinin performansları, hem yol bölütleme çalışmaları için başarılı sonuçlar elde edilmesini sağlamış hem de çalışma alanını karakteristiğini temsil eden verilerin gereksinimini karşılamıştır. Bununla birlikte, optik görüntülerdeki yol piksellerinin ağaç veya gölge gibi sebeplerden engellenmesinden kaynaklı derin öğrenme modellerinin tahminlerindeki problemler, önerilen farklı kaynaklı verilerin özellik düzeyinde birleşim stratejisi ile başarılı bir şekilde giderilmiştir.
Özet (Çeviri)
Roads are geographical objects that have been the subject of many application areas, such as city planning, traffic management, disaster management, and military interventions. The success of these applications depends on the speed and accuracy of obtaining road information. Researchers have mostly used satellite and/or aerial photographs as data sources in these studies and focused on the automatic acquisition of road information. Although successful results have been obtained with Artificial intelligence (AI)-based approaches, that are widely used recently, automatic segmentation of roads from remote sensing data is still considered a difficult and important problem due to its complex and irregular structure. AI has been developed to enable computers to realize human abilities such as reasoning, perception, and problem-solving. The most basic expectation is that AI can overcome the problems in which the traditional approaches are insufficient. As a recent trend of AI, deep learning (DL) methods establish a more complex relationship with the data and distinguish the hidden features of the data more accurately. DL is data-driven, and the quality, number, and variety of training data directly impact the performance of the models. For this purpose, comprehensive data sets such as MNIST, COCO, and ImageNet were published. However, the number of datasets containing geographic details is limited compared to others. In addition, datasets containing geographic details can represent only the characteristics of the regions where they were created. Therefore, the models trained with these data sets can only have the capacity to distinguish details at the level that they can only learn from these limited data. It is extremely difficult for these models to effectively predict roads in regions characterized by complex road networks, such as Istanbul. In this thesis, it is aimed to overcome the data gap in road segmentation studies with DL algorithms, to produce datasets representative of the study region, and finally to use data obtained from different sources together to overcome the problems encountered in existing research using only optical images. This thesis is divided into five main parts. The introduction provides a general overview of the subject matter, including comprehensive information on current studies and the motivation of this thesis. In the second part, a fast, accurate, and comprehensive road dataset production infrastructure was created using a web map service to overcome data-related problems. For this purpose, it was found appropriate to utilize service providers where maps can be edited based on user requests. Using the Static API feature of the Google Maps Platform, a data generation program was developed in Python programming language. In this program, the properties of the mask images corresponding to the satellite images were defined with a JavaScript code. An automatic static map style was created for road segmentation. In addition, using this program, the desired number of images can be generated randomly or as a sequence at fixed image sizes and within the boundaries of specified test regions. Furthermore, the Google Maps Platform does not provide geographic information about the images. In order to overcome this deficiency, the geo-referencing of these satellite images and corresponding masks was added to the program. In the third part of the thesis, it is aimed to create an Istanbul road dataset due to the necessity of producing a dataset that represents the characteristics of the region being tested in the road segmentation studies. Istanbul's road network is in a state of development with an ever-increasing population. As it contains different road types and land use details, it is capable of meeting the data diversity required by DL applications. The changing and evolving structure of Istanbul makes it one of the most important regions to be constantly observed and analyzed. In order to examine the contributions of different resolutions of satellite images and different generalization levels of masks in road segmentation studies, the images at zoom levels 14, 15, 16, and 17 from Google Maps were generated in this thesis. Consequently, 10000 optical images and road mask images were produced for each zoom level in the test regions in Istanbul. In order to test the performance of the generated dataset in DL models, the deep residual U-Net architecture was used. When the training metrics of the models' predictions are examined, it was found that the Istanbul dataset achieved successful results in terms of segmenting road pixels at each zoom level separately. In addition, DeepGlobe and Massachusetts datasets, which are widely preferred in road segmentation studies, were included in the analysis to test the prediction performance of the models trained with these datasets generated outside the study region. When these models were tested with the Istanbul dataset, very low prediction statistics were obtained. This situation revealed the necessity of a dataset that reflects the local characteristics of the road network in the study area. A comprehensive analysis of the Istanbul dataset indicates that the complexity of pixels and background structures in images produced at zoom level 17 adversely affects prediction accuracy. In this context, two alternative models were proposed. In the first approach, training was performed at zoom level 14 without initial weights, and the weights obtained from this training were included as initial weights in the training at zoom level 15. With this approach, weights were transferred from the previous zoom level to the next zoom level and weights were carried up to zoom level 17. In the second approach, L0 normalization was applied to the images at zoom level 17. According to the results, the consecutive weighting approach improved the prediction accuracy by up to 2% and the L0 approach improved the prediction accuracy by up to 3%. Furthermore, a new dataset was created with an equal number of images at all zoom levels. The performance of the DL model trained with this new dataset was tested with images of each zoom level, separately. It was concluded that regardless of the zoom level, the model showed successful predictions and can be used in road segmentation studies. The performance of DL models is affected by the use of only optical imagery in road segmentation studies due to the shadows cast by buildings and objects in urban areas, and obstacles on the roads. In addition, especially in rural areas, trees covering the roads are the main source of error. A variety of strategies, including new DL architectures, are being investigated in order to resolve these challenges and enhance the quality of road segmentation. By incorporating additional data sources, it is possible to improve the accuracy of road segmentation. In the fourth chapter of this thesis, the combination of optical imagery and LiDAR point cloud is proposed to overcome the challenges encountered when using only optical images. A feature-level fusion strategy is proposed to conduct 2D and 3D information. In this strategy, the features of the optical images are extracted from DL-based models, while the features of the LiDAR point cloud are calculated by creating a 3D geometric relationship. For each point, the neighborhoods were determined using the k-nearest neighbor (KNN) algorithm. Based on these neighborhoods, a total of 13 LiDAR features were calculated, including 8 eigenvalue-based and 5 geometric 3D-based features. In the end-to-end deep residual U-Net model, high-level features from optical images and calculated LiDAR features are combined at the feature level before the final convolution layer. Furthermore, a ResNet neural network, capable of deeper feature extraction, was added to the encoder blocks of the U-Net model to extract underlying features. The consistency of the proposed strategy was evaluated using ResNet backbones with a different number of layers. According to the results obtained, it was found that the combination of image and LiDAR performed better in road segmentation by increasing the metric statistics from 1% to 5% in all analyses, regardless of the number of layers in ResNet. Additionally, when the individually generated prediction images were analyzed, it was found that the combination method helped to complete the road geometry in areas where road segmentation is potentially problematic such as woodland and shadowed areas. As a result, by developing a program that can produce optical images specific to the study area and road mask images corresponding to these satellite images, the production of large amounts of data needed in DL-based road segmentation studies was realized faster. In addition, the development of geo-referenced data generation infrastructure made the integration of these images with data obtained from different sources possible. The performances of the DL models trained with the generated datasets provided successful results for road segmentation studies and met the requirements of the data representing the characteristics of the study area. In addition, the problems in the predictions of DL models due to the obstruction of road pixels in optical images due to reasons such as trees or shadows were successfully overcome with the proposed feature-level fusion strategy of data from different sources.
Benzer Tezler
- Investigation of artificial intelligence-based point cloud semantic segmentation
Yapay zeka tabanlı nokta bulutu semantik bölümlendirmesinin incelenmesi
MUHAMMED ENES ATİK
Doktora
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ZAİDE DURAN
- Derin öğrenme yöntemi ile optik uydu görüntülerinden gemi tespiti
Ship detection by optical satellite images with deep learning method
OSMAN DUMAN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. MESUT KARTAL
- Derin öğrenme kullanarak uydu görüntülerinden yol tespiti
Road identification from satellite imagery using deep learning
MOHAMMED MAHMOOD ABDULWAHAB NASSER
Yüksek Lisans
Türkçe
2022
Jeodezi ve FotogrametriErciyes ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÜMİT HALUK ATASEVER
- Afet bölgeleri için iha kullanarak derin öğrenme tabanlı yol optimizasyonu
Deep learning based road optimization using uav for disaster regions
MEHMET SERHAT CEYLAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL FATMA TÜRKER
- Çok yüksek çözünürlüklü uydu görüntülerinden grafik tabanlı bilgi çıkarımı
Graph-based infortmation extraction from very high resolution satellite images
NURETTİN SİNANOĞLU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUydu Haberleşmesi ve Uzaktan Algılama Ana Bilim Dalı
PROF. DR. ELİF SERTEL