Performance analyses of deep learning techniques in aircrafts classification
Hava araçlarının sınıflandırılmasında derin öğrenme tekniklerinin performans analizi
- Tez No: 896254
- Danışmanlar: DOÇ. DR. BARBAROS PREVEZE
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Çankaya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 49
Özet
Son yıllarda gelişen teknolojilerle birlikte çok sayıda saldırı ve savunma sistemlerine ihtiyaç duyulmaktadır. Bu ihtiyacın en önde gelen alanı da havacılık sektörüdür. Bir çok hava aracı gün içerisinde ulusal veya uluslar arası uçuşlar gerçekleştirmektedir. Bununla birlikte olası saldırı ihtimalleri olabilecektir. Bu durumunu önüne geçmek ve gerekli tedbirleri alabilmek için hava araçlarının tespiti büyük önem taşımaktadır. Bu çalışmada derin öğrenme tekniklerinin hava aracı sınıflandırılması üzerindeki performans analizi amaçlanmıştır. Bu çalışmada görüntü sınıflandırma tekniklerinde GoogleNet ve ResNet18 kullanılmıştır. Yolcu uçağı, Askeri uçak, Helikopter, Drone ve Roket olmak üzere 5 ayrı sınıf içeren hazır datasette bulunan yaklaşık 5000 hava aracı görüntüsü için farklı yüzdelerde rastgele test ve öğrenme sınıfları oluşturulmuştur. Bu test ve öğrenme sınıflarından çıkan sonuçlara göre eğitim verisinin fazla olduğu sonuçlarda genel olarak daha yüksek başarım oranı gözlendiği için %90 öğrenme ve %10 test sınıfları ile devam edileceği kararlaştırılmıştır. ResNet18 ve GoogleNet mimarilerinin veri giriş boyutu 224x224x3 iken, veri girişleri değiştirilerek 210x210x3, 230x230x3 ve 250x250x3 boyutlarında %90 eğitim sınıfı ile 5'er kere eğitim yapılmıştır ve sonuçların ortalama değerleri alınmıştır. Bu değerler de bize göstermektedir ki; veri boyutlarının değiştirilmesi ile orijinal yöntemlerin vermiş olduğu sonuçlara göre daha iyi performanslar elde edilebilmiştir. Googlenet 210x210x3 veri girişi ile başarım oranı kritikliği durumları için daha iyi bir yüzde elde edilmiştir. RestNet18 230x230x3 veri girişi ile zaman kritikliği durumunda ise kabul edilebilir düzeyde daha düşük başarım ancak yarı yarıyadan daha kısa bir süre tasarrufu sağlandığı gözlenmiştir.
Özet (Çeviri)
With the developing technologies in recent years, many attack and defense systems are needed. The most prominent area of this need is the aviation sector. Many aircraft operate national or international flights during the day. However, there may be possible attacks. Detection of aircraft is of great importance in order to prevent this situation and take the necessary precautions. In this study, it is aimed to analyze the performance of deep learning techniques on aircraft classification. In this study, GoogleNet and ResNet18 are used in image classification techniques. Random test and learning classes with different percentages are created for approximately 5000 aircraft images in the ready-made dataset, which includes 5 separate classes: Passenger Aircraft, Military Aircraft, Helicopter, Drone and Rocket. According to the results of these test and learning classes, it is decided to continue with 90% learning and 10% test classes, as a generally higher performance rate is observed in the results with more training data. While the data input size of ResNet18 and GoogleNet architectures are 224x224x3, the data inputs are changed and training is performed 5 times with 90% training class of 210x210x3, 230x230x3 and 250x250x3 dimensions and the average values of the results are taken. These values have shown us that; better performances can be achieved by changing the data sizes, compared to the results given by the original methods. With Googlenet 210x210x3 data entry, a better percentage of performance has been achieved for criticality situations.It has been observed that with RestNet18 230x230x3 data entry, an acceptable level of lower performance was achieved in case of time criticality, but less than half of the time was saved.
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
- Derin öğrenme yöntemleri ile uydu görüntülerinden gemilerin tespiti ve sınıflandırılması
Detection and classification of ships from satellite images using deep learning methods
MEHMET SAMİ TÜRKER
Yüksek Lisans
Türkçe
2024
Savunma ve Savunma TeknolojileriKırıkkale ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENES AYAN
- Havayolu yolculuk deneyimini iyileştirmek için makine öğrenmesi yöntemleriyle uçuş gecikmesi tahmini
Machine learning techniques for enhancing airline passenger experience through flight delay prediction
ESMA ERGÜN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA
- Developing algorithm for automatic detection of caves using unmanned aerial vehicle data
İnsansız hava araçlarından elde edilen verilerle otomatik mağara tespiti yapabilen algoritmanın geliştirilmesi
MUSTAFA BÜNYAMİN SAĞMAN
Yüksek Lisans
İngilizce
2023
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. ORKAN ÖZCAN
- Havacılık endüstrisinde prognostik sağlık yönetimi ve veri madenciliği
Data mining and prognostic health management in the aviation industry
MERYEM ERDOĞAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiAviyonik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHARREM MERCİMEK