Uzaktan algılama görüntülerinde nesne tespiti ve sayımı için evrişimli sinir ağları tabanlı yeni modellerin geliştirilmesi
Development of new models based on convolutional neural network for object detection and counting in remote sensing images
- Tez No: 881582
- Danışmanlar: DOÇ. DR. SERKAN ÖZTÜRK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 117
Özet
Uydu ve insansız hava aracı teknolojisindeki gelişmeler uzaktan algılayıcılardan yüksek miktarda görüntü elde edilmesini sağlamış ve bu görüntülerin analizi bir çok alanda olumlu gelişmelerin önünü açmıştır. Son zamanlarda uzaktan algılama görüntülerinde nesne tespiti ve sayımı bu görüntülerin analizinde popüler hale gelmiştir. Bu tez çalışmasında uzaktan algılama görüntülerinde nesne tespiti ve sayımına yönelik Alt Sınıf Destekli Evrişimli Sinir Ağı (SSCNN), Isı Haritası Öğrenen Evrişimli Sinir Ağı (HLCNN) ve CNessNet adları verilen üç yeni model önerilmiştir. SSCNN, nesneleri daha iyi temsil eden ayırt edici özellikler çıkarımını sağlamak için nesneleri alt sınıflara ayırarak temsil eden bir eğitim stratejisi içeren yeni bir modeldir. Yapılan deneysel çalışmalarda en uygun alt sınıf sayısı belirlenmiş olup, nesne tespiti başarımı incelenmiştir. HLCNN, ısı haritası bağlanımı gerçekleştiren tek atışlı evrişimli sinir ağı modelidir. Önerilen modelin insansız hava aracı görüntülerinde araba sayımı başarımını değerlendirmek için literatürde sıklıkla kullanılan CARPK ve PUCPR+ veri setleri üzerinde deneysel çalışmalar yapılmıştır. Önerilen model için önemli bir parametre olan alt örnekleme oranının başarıma etkisi incelenmiştir. Ayrıca, önerilen modelin düşük maliyetli işaretleme yöntemi ile eğitilmesini sağlayan bir model tanıtılmıştır ve başarımı CARPK ve PUCPR+ veri setleri üzerinde değerlendirilmiştir. CNessNet, insansız hava araçları görüntülerinden araç tespiti gerçekleştirilen evrişimli sinir tabanlı yeni bir modeldir. Önce omurga ağ seçiminin önerilen modelin başarımına etkisi CARPK veri seti üzerinde değerlendirilmiştir. Daha sonra omurga ağı olarak Kum Saati ağları içeren modlein çok sınıflı araç tespiti başarımı VAID veri seti ile değerlendirilmiştir.
Özet (Çeviri)
Advancements in satellite and unmanned aerial vehicle technologies have enabled the acquisition of large volumes of remote sensing images, and the analysis of these images has facilitated significant progress across various fields. Recently, object detection and counting in remote sensing images have become popular topics in image analysis. This thesis proposes three new models for object detection and counting in remote sensing images: Subclass Supported Convolutional Neural Network (SSCNN), Heatmap Learning Convolutional Neural Network (HLCNN), and CNessNet. SSCNN is a new model that includes a training strategy where objects are divided into subclasses to extract distinguishing features that better represent the objects. Experimental studies have determined the optimal number of subclasses and examined object detection performance. HLCNN is a single-shot convolutional neural network model that performs heatmap regression. Experimental studies have been conducted on CARPK and PUCPR+ datasets, which are frequently used in the literature, to evaluate the performance of the proposed model in counting cars on unmanned aerial vehicle images. The effect of the subsampling rate which is an important parameter for the proposed model on the performance has been investigated. Additionally, a method for training the proposed model using a low-cost annotation technique has been introduced and its effectiveness has been evaluated on the CARPK and PUCPR+ datasets. CNessNet is a new convolutional neural network-based model for vehicle detection from UAV images. First, the effect of the backbone network selection on the performance of the proposed model has been evaluated on the CARPK dataset. Then, the method incorporating Hourglass Networks as the backbone network was evaluated for multi-class vehicle detection effectiveness using the VAID dataset.
Benzer Tezler
- Aircraft detection from large scale remote sensing images with deep learning techniques
Büyük ölçekli uzaktan algılama görüntülerinden derin öğrenme teknikleriyle uçak tespiti
MEHMET SOYDAŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Building detection from very high resolution satellite images with deep learning approach
Derin öğrenme yaklaşımı ile çok yüksek çözünürlüklü uydu görüntülerinde bina tespiti
ESRA ÖZAYDIN
Yüksek Lisans
İngilizce
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Derin öğrenme ile uydu görüntülerinde hedef tespiti
Target detection in satellite images using deep learning
VAZIRKHAN TARVERDIYEV
Yüksek Lisans
Türkçe
2021
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Malatya ilinde görüntü işleme tabanlı akıllı kavşak uygulaması
Image processing based smart intersection application in Malatya province
EMRULLAH EZBERCİ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiEkobilişim Ana Bilim Dalı
DOÇ. DR. DERYA AVCI
- SatNet: Uydu görüntülerinden nesne tespiti için yeni bir derin öğrenme modeli
SatNet: A novel deep learning model for object detection from satellite images
FERDİ DOĞAN
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM TÜRKOĞLU