Uydu görüntülerinin bölgesel bitişiklik grafları ve graf sinir ağları ile sınıflandırılması
Classification of satellite image using regional adjacency graphs
- Tez No: 898659
- Danışmanlar: DOÇ. DR. ÖMER AKGÜLLER
- Tez Türü: Yüksek Lisans
- Konular: Matematik, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 60
Özet
Bu çalışma, farklı segmentasyon seviyeleri kullanılarak Graf Evrişimsel Ağları (GCN) ile uydu görüntüsü sınıflandırmasını derinlemesine incelemektedir. Çalışmada, 5, 50 ve 100 tepeli Bölgesel Bitişiklik Graf (RAG) yapıları kullanılmış ve bu yapıların GCN sınıflandırma performansına etkisi değerlendirilmiştir. Sonuçlar, 50 tepeli RAG'ların en iyi sınıflandırma doğruluğunu sağladığını ve modelin performansını optimize ettiğini göstermektedir. 5 tepeli RAG'larda model, düşük segmentasyon nedeniyle yeterli ayrıntıyı yakalayamamış, bu da sınıflandırma doğruluğunu olumsuz etkilemiştir. Diğer yandan, 100 tepeli RAG'larda aşırı segmentasyon, modelin gereksiz ayrıntılara odaklanmasına neden olmuş ve bu da performans düşüşüne yol açmıştır. Modelin performansı, karmaşıklık matrisleri ve Area Under the ROC Curve (AUC-ROC), Matthews Correlation Coefficient (MCC), F1 skoru, Recall ve Specificity gibi metriklerle değerlendirilmiştir. 50 tepeli RAG'lar, bu metriklerin çoğunda en yüksek performansı sergileyerek, segmentasyon seviyesinin sınıflandırma doğruluğu üzerinde belirleyici bir rol oynadığını ortaya koymuştur. Çalışmanın bulguları, GCN modellerinin segmentasyon seviyesine duyarlı olduğunu ve optimal segmentasyonun doğru bir şekilde belirlenmesinin sınıflandırma performansını önemli ölçüde artırabileceğini göstermektedir. Gelecek çalışmalar, daha fazla segmentasyon seviyesi, farklı veri setleri ve GCN yapılarının incelenmesiyle modelin performansını optimize etmeyi hedefleyebilir. Ayrıca, çalışmanın sınırlamaları arasında, yalnızca belirli segmentasyon seviyelerinin incelenmiş olması ve modelin genelleme kapasitesinin test edilmemiş olması yer almaktadır. Bu doğrultuda, genişletilmiş veri setleri ve daha sofistike model yapılarına dayalı araştırmalar, GCN modellerinin gerçek dünya uygulamalarında nasıl daha etkin kullanılabileceğine dair değerli bilgiler sağlayabilir.
Özet (Çeviri)
This study offers an in-depth analysis of satellite image classification using Graph Convolutional Networks (GCN) with varying levels of segmentation. The study employs 5, 50, and 100-node Regional Adjacency Graphs (RAGs) and assesses their impact on GCN classification performance. Results indicate that 50-node RAGs yield the highest classification accuracy, optimizing the model's performance. In contrast, 5-node RAGs lacked sufficient detail due to low segmentation, adversely affecting classification accuracy. On the other hand, 100-node RAGs led to a performance decline due to excessive segmentation, causing the model to focus on unnecessary details. The model's performance was evaluated using confusion matrices and metrics such as Area Under the ROC Curve (AUC-ROC), Matthews Correlation Coefficient (MCC), F1 score, Recall, and Specificity. The 50-node RAGs consistently exhibited superior performance across most metrics, demonstrating that segmentation level plays a crucial role in classification accuracy. The findings of this study underscore the sensitivity of GCN models to segmentation levels and highlight the importance of identifying the optimal segmentation level to significantly enhance classification performance. Future studies could aim to optimize the model's performance by exploring additional segmentation levels, different datasets, and GCN architectures. Furthermore, the study's limitations include examining only specific segmentation levels and not testing the model's generalization capacity. Accordingly, future research involving expanded datasets and more sophisticated model architectures could provide valuable insights into how GCN models can be more effectively employed in real-world applications.
Benzer Tezler
- Makine öğrenme yöntemleriyle uydu görüntülerinin sınıflandırılması ve zamansal değişiminin izlenmesi
Classification of satellite images and monitoring the temporary changes by machine learning methods
SOLMAZ BABAKAN
Yüksek Lisans
Türkçe
2022
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI
- Batı Toroslar karst sistemi hidrojeolojik özelliklerinin uydu görüntülerinin sayısal analizleri ile irdelenmesi
Investigation of hydrogeologic characteristics of the Western Taurides karst system by digital analyses of satellite images
HAYATİ KOYUNCU
Doktora
Türkçe
2003
Jeoloji MühendisliğiHacettepe ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. ALPARSLAN ARIKAN
- Tree crown detection using multispectral satellite imagery
Multispektral uydu imgelerinden ağaç taçlarının tespit edilmesi
MEHMET MERT ONAĞ
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. YASEMİN YARDIMCI ÇETİN
- District-based urban sprawl monitoring and modelling using CA-Markov model: application in two mega cities
İlçe bazlı kentsel yayılma izleme ve CA-Markov model ile modelleme: iki mega şehirde uygulama
ANALI AZABDAFTARI
Doktora
İngilizce
2022
İletişim Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR
- Uydu görüntüleri kullanılarak topografik haritaların üretim olanaklarının araştırılması
Investigating the potential of satellite images in topographic map production
MERVE KESKİN
Yüksek Lisans
İngilizce
2013
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET ÖZGÜR DOĞRU