Geri Dön

3B road modelling from satellite images guided by polygonal path chains

Poligonal yol zincirlerinden yararlanarak uydu görüntüleri ile 3B yol modelleme

  1. Tez No: 904850
  2. Yazar: SAMET CENGİZ ÖZCAN
  3. Danışmanlar: DOÇ. DR. MUHAMMED ABDULLAH BÜLBÜL, PROF. DR. MUHAMMED FATİH DEMİRCİ, PROF. DR. GAZİ ERKAN BOSTANCI
  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: 2023
  8. Dil: İngilizce
  9. Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 50

Özet

Uydu görüntülerinden yolların belirlenmesi konusundaki araştırmalar veri yoğunluklu makine öğrenimi yöntemlerindeki gelişmelerle birlikte hız kazanmıştır. Bu duruma erişilebilir veri miktarının artması da katkıda bulunmuştur. Öğrenmeye dayalı yaklaşımlarda karşılaşılan önemli bir zorluk, sistemleri eğitmek için gerekli etiketli verilere ulaşmaktır. Bu çalışmada, istenen herhangi bir konumun uydu görüntüleri üzerinden yolları hızlı bir şekilde etiketlemek için bir yöntem öneriyoruz. Yöntemimiz, OpenStreetMap'ten elde edilen 2B yol bilgisini kullanmaktadır. OpenStreetMap coğrafi olarak konumlandırılmış bilgiler içeren ve insanların katkısıyla oluşturulmuş çevrimiçi bir ortamdır ve burada yollar, kesin şekilleri ya da boyutları olmaksızın kabaca çizgi segmentleri olarak tanımlanmıştır. Bu kaba bilgileri kullanarak, kullanıcıların sunulan uydu görüntüleri üzerinden yol sınırlarını kolayca etiketledikleri basit bir etkileşimli kullanıcı arayüzü öneriyoruz. Sunulan yaklaşım ile farklı yol özelliklerine sahip bölgeler hızlı bir şekilde etiketlenebilir. Etiketledikten sonra makine öğrenmesi algoritmalarına dahil edilip ardından yol belirleme testleri yapılabilir. Bu durum tüm çevrelere uygun tek bir sistem eğitmek yerine daha etkili olabilecek şekilde farklı bölgelere özelleşmiş, ayrı makine öğrenimi sistemlerinin eğitilmesine de olanak tanımaktadır. Elde edilen sonuçlar ile yolların tekrar 3 boyutlu olarak modellenerek iyileştirmek olanak sağlamaktadır. Etiketleme aracımız ile şehirler etiketlenip makine öğrenimine dahil edildikten sonra elde edilen sonuçlarla testler yapılmıştır. Farklı şehirlerin uydu görüntüleri ile yapılan bu testlerin sonuçları alındı. Şehirler kendi veri setleriyle test edildiğinde yol bulmada daha başarılı sonuçlar elde edilmiştir. Üç şehir dikkate alındı ve hepsi önce karma eğitim aldı. Ardından şehirler ikili eğitimleri gerçekleştirildi. Üçüncü şehit ince ayarlandı ve bu eğitim sonuçları üzerinde transfer öğrenmesi yapıldı. Ayrıca eğitim setleri yarıya indirildi ve ince ayar yapıldı. Seçilen şehirlerden Roma'da transfer öğrenme başarı oranı düşük iken, Etlik ve Berkeley şehirlerinde başarı oranı yüksektir ve iterasyon arttıkça bu başarı artmaktadır. Karma testlerde başarısı şehirlerin kendileriyle yapılan testlere göre düşük. onlarla eğitilen ve test edilen sonuçlara göre transfer öğrenme de iyi değil. Ama İkili eğitimler ile yapılan ince ayarda başarı oranı arttı görüldü.

Özet (Çeviri)

Determination of roads from satellite images has gained more research interest after recent advances in data-heavy machine learning methods, which are also accelerated by the increasing amount of available data. A major challenge of learning-based approaches is obtaining labeled data to train systems. In this study, we propose a method to quickly label roads via satellite images of any desired location. Our method leverages 2D road information from OpenStreetMap, an online community-provided resource of geolocation information. In this environment, paths are roughly defined as line segments without their exact shapes and sizes. In systems where roads are given only as line segments, as in OpenStreetMap, we propose a system to obtain real road widths and make 3D modeling accordingly. Using this rough information, we propose a simple interactive user interface where users can easily label road boundaries on presented satellite images. Using our approach, it is possible to quickly label regions with different road characteristics. After labeling, it can be fed into machine learning algorithms and then road determination tests can be performed. Such an approach allows training separate machine learning systems for different regions of the world; this would be advantageous over training a single system to identify all types of paths. With the results obtained, it is possible to model the roads in 3D again to improve them. With our labeling tool, after cities were labeled and included in machine learning, tests were conducted with the results obtained. The results of these tests, which were made with satellite images of different cities, were obtained. When cities were tested with their own data sets, more successful results were obtained in finding roads. Three cities were considered and all were co-educated first. Afterwards, cities dual trainings were held. The third martyr was fine-tuned and transfer learning was performed on these training results. In addition, the training sets were cut in half and fine-tuned. While the success rate of transfer learning is low in Rome from the selected cities, the success rate is high in the cities of Etlik and Berkeley, and this success increases as the iteration increases. In mixed tests, its success is low compared to the tests made with the cities themselves. transfer learning is also not good according to the results trained and tested with them. The success rate of fine-tuning has increased with dual training labels.

Benzer Tezler

  1. Simülasyon modellerinin doğruluğu üzerine bir araştırma

    A research about the accuracy of simulation models

    CANAN YEMENİCİOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ŞİNASİ KAYA

  2. Deep learning based road segmentation from multi-source and multi-scale data

    Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi

    OZAN ÖZTÜRK

    Doktora

    İngilizce

    İngilizce

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. DURSUN ZAFER ŞEKER

  3. Tünel çalışmalarında harita mühendisliği uygulamaları: Yeni Zigana tüneli örneği

    The map engineering applications in tunnel works: New Zigana tunnel case

    ERDAL KÖSE

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Jeodezi ve FotogrametriGümüşhane Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FATİH DÖNER

  4. Ağır ticari aracın dizel motoruna ait egzoz manifoldunun ısıl olarak incelenmesi

    Thermal investigation of exhaust manifold for a heavy commercial vehicle diesel engine

    BURAK YALÇINDAĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL CEM PARMAKSIZOĞLU

  5. 3D nonlinear modeling and testing of historic stone masonry arch bridges: The case of Justinian's Bridge

    Tarihi yığma taş kemer köprülerin doğrusal olmayan davranışının 3B modellenmesi ve deneysel olarak incelenmesi: Justinianos Köprüsü örneği

    VİLDAN GİZEM MENTEŞE

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. OĞUZ CEM ÇELİK