Uzaktan algılanmış görüntülerden yeni bir derin öğrenme mimarisi ile bina çıkarımı
Building extraction from remotely sensed images with a novel deep learning architecture
- Tez No: 846883
- Danışmanlar: PROF. DR. FEVZİ KARSLI
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 108
Özet
Haritanın temel unsurlarından biri olan bina katmanı, çeşitli nizam ve mimarilere sahip olup; kentsel planlama, emlak yönetimi, kaçak yapı tespiti ve afet analizi gibi birçok haritacılık faaliyetinde kullanılmaktadır. Bu sebeple bina obje bilgilerine hızlı ve otomatize bir biçimde erişmek önem arz etmekle birlikle son derece popüler bir konu haline gelmiştir. Bu tez çalışmasında, Massachusetts bina veri seti kullanılarak yüksek çözünürlüklü dijital hava fotoğrafları üzerinden otomatik bir biçimde bina çıkarımı hedeflenmiş ve bu amaç için yeni bir derin öğrenme mimarisi tasarlanmıştır. Bunun yanı sıra veri setindeki maskelerde bulunan bina temsillerine morfolojik operasyonların uygulanmasıyla bina sınır bilgisi eklenerek, derin öğrenme ağının bina objesini öğrenmesi hususunda, bina sınır bilgisinin katkısı araştırılmıştır. Tasarlanan mimarinin test verileri üzerindeki performansı; Genel Doğruluk (OA), Doğruluk (Cr), Tamlık (Cp), F1-Puanı, Birleşimlerin Kesişimi(IoU) doğruluk metrikleri için sırasıyla %91, %80, %73, %76 ve %62 olarak hesaplanmıştır. Önerilen mimarinin karşılaştırılması için aynı veri seti ile eğitilip, aynı test verileri üzerinde değerlendirilen, literatürde mevcut U-Net mimarisine göre; Genel Doğruluk metriği için eşit, diğer metrikler için ise ortalama %2'lik daha düşük performans sergilediği gözlemlenmiştir. Bu duruma karşın tasarlanan mimarinin eğitim işlemini, U-Net mimarisine göre 400 dakika daha kısa sürede tamamlaması önemli bir üstünlük sağlamaktadır. Sonuç olarak tasarlanan mimarinin, literatürde başarısı kabul görmüş olan U-Net mimari performansına yaklaşmış olması ve eğitim süresindeki avantajı sebebiyle kullanılabilirlik açısından hız ve kolaylık sağlayacağı öngörülmektedir.
Özet (Çeviri)
The building layer, which is one of the basic elements of the map, has various architectures and is used in many mapping activities such as urban planning, real estate management, illegal building detection and disaster analysis. For this reason, it is important to access building object information quickly and automatically. In this thesis study, automatic building extraction from highresolution digital aerial images was aimed using the Massachusetts building dataset and a new deep learning architecture was designed for this purpose. In addition, building boundary information was added to the building representations in the masks in the data set by applying morphological operations, and the contribution of the building boundary information to the deep learning network's learning of the building object was investigated. The performance of the designed architecture on test data; for Overall Accuracy, Correctness, Completeness, F1-Score, Intersection over Union accuracy metrics was calculated as 91%, 80%, 73%, 76% and 62%, respectively. It has been observed that the proposed architecture has equal performance for the Overall Accuracy metric and an average of 2% lower performance for other metrics than the existing U-Net architecture in the literature. Despite this situation, the designed architecture has a significant advantage in completing the training process in 400 minutes less than the U-Net architecture. As a result, it is estimated that the designed architecture will approach the U-Net architectural performance, which is accepted in the literature, and will provide speed and convenience in terms of usability due to its advantage in training time.
Benzer Tezler
- U-net tabanlı evrişimli sinir ağı ile uzaktan algılanmış görüntülerden otomatik bina tespiti
Automatic building detection from remotely sensed images with u-net based convolutional neural network
İBRAHİM DELİBAŞOĞLU
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MÜFİT ÇETİN
- 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
- Fine-grained object recognition in remote sensing imagery
Uzaktan algılanmış görüntülerde ince taneli nesne tanıma
GENCER SÜMBÜL
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM AKSOY
DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ
- Uzaktan algılanmış görüntülerde mask R-CNN kullanımı
Using mask R-CNN in remote sensing images
BETÜL SARALIOĞLU
Yüksek Lisans
Türkçe
2022
Jeodezi ve FotogrametriKaradeniz Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ GÜNGÖR
- Derin öğrenme ile yere nüfuz eden radarlarda hedef tespiti
Target detection on ground penetrating radars (GPR) with deep learning
FATİH KÖPRÜCÜ
Yüksek Lisans
Türkçe
2021
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DOÇ. DR. IŞIN ERER