Object height estimation on monoscopic satellite images using deep learning
Derin öğrenme ile monoskopik uydu görüntülerinden obje yükseklik çıkarımı
- Tez No: 851463
- Danışmanlar: PROF. DR. MEHMET LÜTFİ SÜZEN, DOÇ. DR. ALPER KOZ
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 134
Özet
Geleneksel metodlar, uydu optik görüntülerden 3D bilgi çıkarmak için genellikle karmaşık algoritmaları içerir ve bu algoritmalar için önemli ölçüde insan denetimi, birçok dış parametre ve farklı açılarından çekilmiş birden fazla görüntü gerektirir. Bu çalışmanın amacı, manuel parametre ayarlama ve birden fazla görüntü edinme ihtiyacını ortadan kaldırmak ve monoskopik uydu görüntülerinden 3D nesne bilgisinin çıkarılmasını tamamen otomatikleştirmek için derin öğrenme algoritmalarını kullanmaktır. Bu kapsamda, uydu görüntülerinin yapısını göz önünde bulundurarak Birleştirilmiş Yükseklik Tahmini (Fused-HE) derin ağ modeli önerilmiştir. Model, çift kodlayıcı içeren bir yapıya sahiptir. Önerilen model, monoskopik uydu görüntü girdilerini, komşu piksellerde yerel özellik çıkarımı için konvolüsyonel kodlayıcısından ve görüntüdeki nesneler arasındaki ilişkileri kullanarak küresel özellik çıkarımı için görüntü transformatörleri kodlayıcısından geçirerek ayrı bir şekilde işler. İki kodlayıcıdan gelen farklı özellik çıktıları, özellik birleştirme bloklarında birleştirilir ve ardından birleştirilmiş özellikler, decoder bloklarına iletilir. Yükseklik başlığı, decoder blok çıkışlarını kullanarak tahmin edilen yükseklikleri oluşturur. Önerilen derin modele, modelin doğru piksele yükseklik değerleri atamasını sağlamak için segmentasyon başlığı eklenerek daha da iyileştirilmiştir ve bu modele Birleştirilmiş Segmentasyon Yükseklik Tahmini (FusedSeg-HE) adı verilmiştir. Literatürdeki modeller ile birleştirilmiş ağlar arasında yapılan kapsamlı değerlendirmeler, önerilen modellerin, yükseklik tahmini için hem yerel hem de küresel özellik çıkarımını başarıyla sağladığını, tahmin edilen ve yer gerçeği yükseklik değerleri arasındaki kök ortalama karesel hatasını yaklaşık %5-%13 oranında azalttığını ve delta eşik doğruluğu sonuçlarında %4-%9 oranında artış sağladığını göstermektedir.
Özet (Çeviri)
Conventional methodologies for deriving 3D information from satellite optical images often rely on intricate algorithms requiring substantial human supervision, numerous external parameters, and the acquisition of multiple images captured from different perspectives. This study aims to eliminate the need for manual parameter tuning and multiple image acquisition and completely automate the extraction of 3D object information from monoscopic satellite imagery by leveraging advanced deep learning algorithms. The Fused Height Estimation (Fused-HE) deep network model, which leverages the inherent characteristics of satellite imagery, is proposed within this scope. The model, featuring dual encoders, processes monoscopic satellite image inputs individually through the convolutional encoder for local feature extraction within neighboring pixels and the vision transformers encoder for global feature extraction using the relationships between objects in the image. The distinct feature outputs from the two encoders are concatenated in feature fusion blocks. Then, fused features are passed to the decoder blocks, and the height head produces the predicted heights. The proposed fused network is further improved by introducing an additional segmentation head to the model to assign height values to the correct pixel, and this model is named the Fused Segmentation Height Estimation (FusedSeg-HE). Comprehensive evaluations of individual models in the literature and the proposed fused networks demonstrate the proposed models provide both local and global feature extraction for height estimation, reduce root mean squared error between the estimated and ground truth height values by approximately 5%-13%, and increase accuracy by 4%-9% in terms of the delta threshold metric.
Benzer Tezler
- Ultra geniş bant teknolojisi ile kapalı alanlarda konum belirleme
Indoor positioning system based on ultra wide band technology
ARİF ŞAHİN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İBRAHİM ALIŞKAN
- Evaluation of visual cues of three dimensional virtual environments for helicopter simulators
Üç boyutlu sanal çevre görsel ipuçlarının helikopter simülatörleri açısından incelenmesi
YASEMİN ÇETİN
Yüksek Lisans
İngilizce
2008
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Bölümü
PROF. DR. YASEMİN YARDIMCI ÇETİN
- Rehabilitasyon maliyetini etkileyen faktörler üzerine bir araştırma
A Study into the factors influencing the rehabilitation cost
AYSUN FERRAH GÜNER
- İyileştirilmiş lokal maksimum yöntemi ile nokta bulutlarından ağaçtaç segmentasyonu ve metriklerinin tahmini
Tree crown segmentation and estimation of metrics from pointclouds with improved local maximum method
MURAT BAHADIR
Yüksek Lisans
Türkçe
2023
Jeodezi ve FotogrametriKaradeniz Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FEVZİ KARSLI
- Tek bakış açısı derinlik kestirimi yöntemi ile robot denetimi
Robot control using single view depth estimation method
ENGİN KARATAŞ
Yüksek Lisans
Türkçe
2010
Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEYSEL GAZİ