Geri Dön

An application for scene classification using transfer learning

Aktarımlı öğrenme kullanarak manzara verisinin sınıflandırılması

PDF İndir

  1. Tez No: 892823
  2. Yazar: AYÇA GÖZEL
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ELİF ÇİĞDEM KELEŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Coğrafya, Computer Engineering and Computer Science and Control, Geography
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Yeditepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Veri Bilimi Ana Bilim Dalı
  12. Bilim Dalı: Veri Bilimi Bilim Dalı
  13. Sayfa Sayısı: 63

Özet

Manzara verisi, birçok alanda birbirinden farklı problemlerin çözümünde kullanılmaktadır. Derin öğrenme (DL), yapay sinir ağları ile komplike problemleri insan beyni gibi öğrenen bir makine öğrenmesi yöntemidir. DL, manzara verisindeki örüntü ve şekilleri daha iyi öğrenip sınıflandırılabilmesi için en iyi yöntemlerden biridir. Bu çalışmada iki farklı manzara veri kümesi DL yöntemi ile analiz edilmiştir. Zhou, Newsam, Lim, ve Shao tarafından oluşturulan PatternNet (PN) ve Google Earth aracılığıyla Türkiye(TR)'den toplanan veri kümeleri kullanılmıştır. PN 38 kategoriden oluşan, TR ise 17 kategoriden oluşan yüksek çözünürlüklü uydu manzara görsellerini içermektedir. Bu çalışmalar ResNet18 sığ derinlik ile gerçekleştirilmiştir. ResNet18 kullanılmasının sebebi ise Pires de Lima ve Marfurt'un ilgili çalışmasına ek yeni bir yöntem eklenmesi, kaynak yetersizliği ve veri netliğidir. Bu araştırmanın 2 farklı aşaması vardır. 1. aşamada TR verisi toplanmıştır. İkinci aşamada TR ve PN verisi kullanılarak 5 farklı deney ön eğitim ImageNet üzerinden Aktarımlı Öğrenme ile gerçekleştirilmiştir. 1. deneyde PN veri kümesi 38, 2. deneyde 17 kategori için tahmin edilmiştir. 3. deneyde Türkiye verisi için tahminde bulunulmuştur. Modelin TR verisini öğrenebilmesi için eğitim aşamasına eklenmiştir. TR verisinden eğitime 7, doğrulamaya 1 görsel eklenerek 4. deney, eğitime 35, doğrulamaya 5 görsel eklenerek 5. deney tasarlandı. Tezin ilk aşamasında, 160 görsel toplandı. 2. aşamada, PN orijinal veriseti 0.98 başarı, kategorileri azalmış veriseti 0.99 başarı ile en iyi sonucu vermiştir. PN öğretilerek TR verisi tahmin edildiğinde ise 0.90 ile başarı değeri 8 puan düşmüştür. Modelin renkleri iyi öğrenememesi sebebiyle bu farkın oluştuğu gözlemlenmiştir. 4. ve 5. deneylerde, sırasıyla 0.9501 ve 0.9564 başarı değerleri elde edilmiştir. En iyi sonuç dördüncü deneyde elde edilmiştir çünkü toplanılan veri kümesinden az kayıp verilerek aynı başarı değerine ulaşılmıştır. Sonuç olarak, mevcutta sayısı az olan bir veri seti ile bir tahminleme yapılması isteniyorsa, TL yöntemi ile farklı bir veri kümesini eğitim verisi olarak kullanarak az sayıda bir görseli eğitim kümesine ekleme yaparsak model başarı sonucunu arttırabiliriz.

Özet (Çeviri)

Scene data has been used for various problems in many areas. Deep learning (DL) is a machine learning method that learns complicated problems like the human brain with neural networks. DL is one of the best methods to detect the patterns and shapes in the images. Two different scene datasets were analyzed with DL. The PatternNet (PN) dataset that was created by Zhou, Newsam, Lim, and Shao and the Türkiye (TR) dataset that was collected from Google Earth. The PN dataset consists of 38 category high-resolution satellite images. The TR dataset were collected for high-resolution satellite images for 17 categories. ResNet18 shallow depth was applied. ResNet18, generates a new approach to the related study of Pires de Lima and Marfurt's work and since PN data was clearly categorized while collecting. Two different stages are observed. Initially, the TR dataset was collected. Secondly, 5 different experiments using TR and PN datasets were generated. In transfer learning (TL), ImageNet was used for pre-training. In the first experiment 38, in the second experiment 17 categories were predicted. TR dataset was predicted in the 3. experiment to learn the TR dataset better, TR dataset was added for training and validation sets. 7 images to the training, 1 image to the validation; 35 images to the training, and 5 images to the validation were added from TR dataset respectively for experiment 4 and 5. In the first stage, 160 images were collected excluding two categories. In the second stage, only PN data was trained and predicted, the best result was 0.99 with reduced categories, for original PN dataset accuracy was obtained as 0.98. Next experiment, PN was trained and TR dataset was tested, the accuracy was 0.90 and it was decreased by 8 points. Since the model was not able to learn the colors and the structural differences between the PN and TR dataset. The accuracy of two experiments 0.9501 and 0.9564 were obtained. The best result was achieved with experiment 4 because the same accuracy was achieved with losing less data from collected images. As a result, when a small dataset is available to predict, adding a few images to the training set can increase the accuracy by using the TL method.

Benzer Tezler

  1. Tez No

    584035

    Représentations parcimonieuses et apprentissage de dictionnaires pourla compression et la classification d'images satellites

    Başlık çevirisi yok

    JEREMY AGHAEI MAZAHERI

    Doktora

    Fransızca

    Fransızca

    2015

    Bilim ve TeknolojiUniversité de Rennes I

    Dr. CHRISTINE GUILLEMOT

  2. Tez No

    733046

    Vehicle position estimation and vehicle classification using deep convolutional neural networks

    Araç konum tahmini ve araç sınıflandırması derin evrimsel sinir ağları kullanarak

    BASHAER ISAM HASAN KABEAYLA

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. YASA EKŞİOĞLU ÖZOK

  3. Tez No

    87056

    Gümrük Birliği sürecinin Türk sermaye piyasasına etkileri

    The Effects of Customer Union course on Turkish capital market

    ÖNDER HALİSDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    EkonomiMarmara Üniversitesi

    Sermaye Piyasası ve Borsa Ana Bilim Dalı

    PROF. DR. İLHAN ULUDAĞ

  4. Tez No

    455410

    Cloud detection and information cloning technique for multi temporal satellite images

    Çok zamanlı uydu görüntüleri için bulut belirleme ve klonlama yöntemi

    KAAN KALKAN

    Doktora

    İngilizce

    İngilizce

    2017

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. MİTHAT DERYA MAKTAV

  5. Tez No

    743835

    On beşinci yüzyıl edvar yazarlarının metinlerinde müzik ve kozmogoni ilişkisi

    Music and cosmogony association in the music theory treatises of the fifteenth century Ottoman empire

    DOĞUŞ ÇİÇEK

    Doktora

    Türkçe

    Türkçe

    2022

    Müzikİstanbul Teknik Üniversitesi

    Müzikoloji ve Müzik Teorisi Ana Bilim Dalı

    PROF. DR. NİLGÜN DOĞRUSÖZ DİŞİAÇIK

Geri Dön