Geri Dön

U-Net ağı kullanılarak kamufle askeri unsurların tespiti

Detection of camouflaged military elements using the U-Net network

PDF İndir

  1. Tez No: 876821
  2. Yazar: MURAT ALTUN
  3. Danışmanlar: DOÇ. DR. HÜSEYİN GÜRÜLER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Muğla Sıtkı Koçman Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilişim Sistemleri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 92

Özet

Kamuflaj geçmiş yıllardan beri doğada ve askeri alanda kullanılan bir gizlenme sanatıdır. Doğada gerçekleşen kamuflaj içgüdüsel ve doğal olarak gerçekleşirken, insanlar tarafından gerçekleştirilen kamuflaj sistemi doğa içerisindeki renkleri baz alarak gizlenme, saklanma ve korunma amacıyla yapılmaktadır. Tarihte savaş sanatında ordular savaş unsurlarının çeşitli kamuflaj sistemleri ile gizlemişler ve görünürlüğünü azaltmaya çalışmışlardır. Görünürlüğün azalması bulunan ortamın deniz, kum, orman vb. renk tonları ve doğasının desen renklerine bürünerek tespitin imkânsız hale getirilmesini amaçlamaktadır. Bu noktada sahada kamufle edilmiş unsurların tespitine yönelik insan gözünün ayırt edemeyeceği unsurların bilgisayarlı görüden faydalanarak anlamsal bölütleme ile maskeleme yapılabileceği bir model tasarlandı. Bu modelin eğitimi için açık kaynaklardan elde edilen kamufle askeri unsurların yer aldığı özel bir veri seti (AKS1) oluşturuldu. Oluşturduğumuz veri setinde kamufle edilmiş askeri unsurlar maskelenerek derin öğrenme modelinin girişine uygun bir formata getirildi. Modelimiz sayesinde biyomedikal alanda görüntü segmentasyonunda kullanılan U-Net, Özelleştirilmiş U-Net, Attention U-Net ağları ve transfer öğrenme modelleri (Resnet50 U-Net, VGG16 U-Net, Deep Labv3 Plus, Densenet-121 U-Net, EffıcientNetB0 U-Net, Mobilenet-v2 U-Net) birlikte kullanılarak kamufle edilmiş askeri unsurların tespiti ve maskelenmesi sağlanmıştır. Söz konusu modellerden Densenet121 U-Net ağı modelinin eğitilmesi ile yapılan tahminleme işleminde eğitim verilerinde %97.95, doğrulama verileri üzerinde %92.27, eğitime hiç dahil edilmemiş test verilerinde %91.41 IoU skorları elde ederek diğer modellerden daha başarılı bir sonuç gözlemlenmiştir. Modelin test verileri üzerinde yapılan hesaplamalarında Dice katsayısı skoru 77.0 olarak tespit edilmiştir. Kamufle olmuş nesnelerin anlamsal segmente edilmesi kapsamına yol gösterici olan çalışmamız, veri seti sayısının kısıtlı olduğu durumlarda kendi veri setimizin hazırlanarak hassas ve yüksek başarımlarla segmentasyon işlemi yapılmasını sağlamaktadır.

Özet (Çeviri)

Camouflage is an art of concealment that has been employed in nature and in the military field since the past years. While camouflage in nature is an instinctive and natural phenomenon, the camouflage system performed by humans is based on the colors in nature for concealment, hiding, and protection. In the history of warfare, armies have concealed the elements of war with various camouflage systems and attempted to reduce their visibility. The objective of reduced visibility is to render detection impossible by replicating the color tones and pattern colors of the surrounding environment, such as the sea, sand, forest, and so forth. At this juncture, a model was devised for the detection of camouflaged elements in the field. This model employs semantic segmentation using computer vision to mask elements that cannot be distinguished by the human eye. A special dataset (AKS1) containing camouflaged military elements was created for the training of this model. The camouflaged military elements in the dataset were masked and brought into a format suitable for the input of the deep learning model. A combination of U-Net, Custom U-Net, Attention U-Net networks and transfer learning models (Resnet50 U-Net, VGG16 U-Net, Deep Labv3 Plus, Densenet-121 U-Net, EffıcientNetB0 U-Net, Mobilenet-v2 U-Net) was employed to identify and delineate concealed military elements. In the prediction process conducted by training the Densenet121 U-Net network model, the IoU scores were 97.95% on the training data, 92.27% on the validation data, and 91.41% on the test data that had not been included in the training. This resulted in a more successful outcome than that observed with the other models. The Dice coefficient score calculated by our model on the test data was 77.0. Our study provides guidance in the field of semantic segmentation of camouflaged objects. It enables the preparation of a custom dataset in cases where the number of datasets is limited and the segmentation to be performed with precision and high achievements.

Benzer Tezler

  1. Tez No

    731420

    Beyin kan damarlarının derin öğrenme sinir ağları kullanılarak analizi

    Analyzes of brain blood vessels using deep learning neural networks

    TUĞÇE GÖKSU

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BERNA KİRAZ

    DR. ÖĞR. ÜYESİ MUSA AYDIN

  2. Tez No

    865821

    Ischemic stroke lesion segmentation in MRI images using U-shaped convolutional neural network

    U-şekilli evrişimsel sinir ağı kullanılarak MR görüntülerinde iskemik inme lezyon segmentasyonu

    İLAYDA ALPAY ERMİŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mühendislik Bilimleriİzmir Katip Çelebi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ONAN GÜREN

  3. Tez No

    787170

    Evrişimsel sinir ağı kullanılarak göğüs radyografilerinde yüksek başarımlı bölütleme yapılması ve pnömoni tespitine etkisinin incelenmesi

    High performance segmentation in chest radiographs using convolutional neural network and investigation of its effect on pneumonia detection

    İLHAN AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGümüşhane Üniversitesi

    Yapay Zeka ve Akıllı Sistemler Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZKAN BİNGÖL

  4. Tez No

    759979

    Deep learning-based reconstruction methods for near-field mimo radar imaging

    Yakın alan mikrodalga görüntülemede derin öğrenmeye dayalı imge geriçatım teknikleri

    İRFAN MANİSALI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEVİNÇ FİGEN ÖKTEM

  5. Tez No

    716926

    Self-supervised deep convolutional neural network training for low-dose CT reconstruction

    Düşük dozlu BT geriçatması için derin evrişimli sinir ağlarının öz denetimli eğitimi

    MEHMET OZAN ÜNAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

Geri Dön