Geri Dön

Sentetik açıklıklı radar görüntülerinin derin evrişimli ağlarla tanınmasına yönelik veri artırımı yaklaşımlarının incelenmesi

Examining data augmentation approaches for recognition of synthetic aperture radar images with deep convolutionary networks

  1. Tez No: 859945
  2. Yazar: BİLGE SİNAN
  3. Danışmanlar: DOÇ. DR. EMRE SÜMER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Başkent Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Savunma Teknolojileri ve Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Savunma Elektroniği ve Yazılım Bilim Dalı
  13. Sayfa Sayısı: 73

Özet

Sentetik Açıklıklı Radar (SAR) görüntülerinden hedef tespiti, kara veya hava kuvvetleri gibi kuruluşların gözetleme ve keşif ihtiyaçları göz önüne alındığında büyük önem taşımaktadır. Makine öğrenimi ve Evrişimli Sinir Ağları'nın (CNN'ler) yükselişi ile SAR görüntü setlerinde tahmin yapma yeteneği, askeri unsurları tanımlamak için güçlü bir araç haline getirmiştir. Ancak, kamuya açık SAR verilerinin sınırlı ölçüde olması nedeniyle, doğru sınıflandırma için yeterli miktarda veri bulma konusunda zorluklar yaşanmaktadır. Mevcut veri eksikliği, geleneksel CNN'leri kullanarak güvenilir ve doğru sınıflandırma elde etmede, aşırı uyum gibi önemli sorunlara neden olmaktadır. Bu çalışmada, Hareketli ve Sabit Hedef Tespit ve Tanıma (MSTAR) veri kümesinde güncel nesne tespit uygulamaları olan YOLOv5 ve YOLOv8'in yanı sıra, MSTAR veri kümesi üzerinde eğitilmiş Üretken Çekişmeli Ağların (GAN'lar) kullanımı da incelenmiştir. Sentetik oluşturulan örnek bir veri kümesi, MSTAR eğitim kümesine veri takviyesi sağlamak amacıyla kullanılmış ve güncel nesne tespit uygulamalarıyla değerlendirilmiştir. GAN ve gürültü ile SAR görüntülerinin öğrenme yeteneğini değerlendirmek için eğitim kümesinin genişletilmesi ve farklı radar açılarından alınan bu görüntülerle veri artırmanın nesne tespitindeki etkileri gözlemlenmiştir.

Özet (Çeviri)

Target detection from Synthetic Aperture Radar (SAR) images is of great importance considering the surveillance and reconnaissance needs of organizations such as the army or air force. The rise of machine learning and Convolutional Neural Networks (CNNs) and the ability to classify and predict on SAR image sets make these networks a powerful tool for identifying military elements. However, due to the limited availability of publicly available SAR data, there are difficulties in finding sufficient amounts of data for accurate classification. The lack of available data causes significant problems, such as overfitting, in achieving reliable and accurate classification using traditional CNNs. This study examines the current object detection applications YOLOv5 and YOLOv8 on the Moving and Stationary Target Detection and Recognition (MSTAR) dataset, as well as the use of Generative Adversarial Networks (GANs) trained on the MSTAR dataset. A synthetically created sample data set was used to supplement the MSTAR training set and was evaluated with current object detection applications. To evaluate the learning ability of SAR images with GAN and noise, the training set was expanded and the effects of data augmentation on object detection were observed with these images taken from different radar angles.

Benzer Tezler

  1. Benek gürültüsü gidermeye dayalı veri artırma ile derin ağlarda radar hedef sınıflandırma

    Despeckling based data augmentation approach in deep learning based radar target classification

    ŞAKİR HÜDAİ MERT CEYLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  2. Deep unfolding for clutter removal in ground penetrating radar

    Yere nüfuz eden radarda kargaşa gidermek için derin katman açma

    SAMET ÖZGÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  3. Arazi örtüsü ve kullanımı için SAR görüntülerinin sınıflandırılmasında topluluk öğrenme tabanlı yaklaşım

    Ensemble learning-based approach to classification of SAR images for land cover and use

    ELİF MEŞECİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CANER ÖZCAN

  4. Derin öğrenme metotları kullanılarak SAR (sentetik açıklıklı radar) görüntülerinden bina tespiti

    Building detection from SAR (synthetic aperture radar) images using deep learning methods

    RECAİ ALPER EMEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Jeodezi ve FotogrametriAkdeniz Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    DOÇ. DR. NUSRET DEMİR

  5. SAR (sentetik açıklıklı radar) görüntülerinde bölütleme

    SAR (synthetic aperture radar) images segmentation

    HAKAN ERTEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GAZİ ERKAN BOSTANCI