Derin öğrenme mimarileri ile savaş uçaklarının tespit edilmesi
Detection of military aircraft with deep learning architectures
- Tez No: 924650
- Danışmanlar: DOÇ. DR. KEMAL ADEM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Savunma ve Savunma Teknolojileri, Computer Engineering and Computer Science and Control, Defense and Defense Technologies
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Sivas Bilim ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Savunma Teknolojileri (Disiplinlerarası) Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Günümüz teknolojisinin hızla gelişmesiyle birlikte, bilgisayarlı görü ve derin öğrenme yöntemleri, savunma sanayi de dahil olmak üzere birçok alanda önemli uygulamalara sahiptir. Özellikle savaş uçaklarının tespiti, askeri operasyonların başarısı açısından kritik bir öneme sahiptir. Düşman hava araçlarının hızlı ve doğru bir şekilde tespit edilmesi, hava savunma sistemlerinin etkinliğini artırmakta ve stratejik kararların daha hızlı alınmasını sağlamaktadır. Yüksek doğrulukta ve hızlı nesne tespiti yapabilen algoritmaların geliştirilmesi, savunma teknolojilerinde büyük bir ihtiyaç haline gelmiştir. Ayrıca, bu tür teknolojilerin geliştirilmesi, sadece askeri operasyonlar için değil, aynı zamanda hava sahası güvenliğinin sağlanması ve sivil hava trafiğinin düzenlenmesi açısından da büyük önem taşımaktadır. Bilgisayarlı görü ve derin öğrenme alanındaki ilerlemeler, savaş uçaklarının tespitinde insan faktöründen kaynaklanabilecek hataları minimize ederek, otomatik ve güvenilir sistemlerin geliştirilmesine olanak tanımaktadır. Bu sebeple, derin öğrenme tabanlı nesne tespiti algoritmalarının performansının incelenmesi ve geliştirilmesi hem akademik hem de endüstriyel araştırmalar için önemli bir çalışma alanı oluşturmuştur. Bu tez çalışmasında, savaş uçaklarının tespiti için modern derin öğrenme tabanlı nesne tespiti algoritmaları incelenmiş ve performansları karşılaştırılmıştır. Çalışmada YOLOv7, YOLOv8 ve RT-DETR modelleri kullanılarak, farklı savaş uçağı tiplerinin tespiti gerçekleştirilmiştir. Kullanılan veri seti, çeşitli açılardan ve arka planlardan çekilmiş 43 farklı savaş uçağı tipine ait görsellerden oluşmaktadır. Modellerin eğitimi ve test edilmesi sürecinde, hiperparametrelerin performansa etkileri detaylı bir şekilde analiz edilmiştir. Deneysel sonuçlar, RT-DETR'nin %92,7 mAP ve %90,4 geri çağırma oranıyla daha tutarlı performans sergilediğini göstermektedir. YOLOv8, %94 mAP ile en yüksek performansı sunarken geri çağırmada %88,1 geri çağırma değeriyle RT-DETR'nin gerisinde kalmıştır. YOLOv7 ise %90,2 mAP ve %82,7 geri çağırma oranına sahiptir.
Özet (Çeviri)
Recent advancements in technology have significantly enhanced the applications of computer vision and deep learning methods, including in the defense industry. The detection of military aircraft is crucial for military operations. Rapid and accurate identification of enemy aircraft improves air defense systems and enables faster strategic decision-making. Developing algorithms capable of high-accuracy and rapid object detection is a crucial need in defense technologies. Moreover, these technologies are vital for airspace security and managing civilian air traffic. Advances in computer vision and deep learning minimize human error in detecting military aircraft, facilitating the development of automated and reliable systems. Therefore, evaluating and improving the performance of deep learning-based object detection algorithms has become an important area of research for both academic and industrial applications. This thesis examines and compares modern deep learning-based object detection algorithms for identifying military aircraft. The study employs YOLOv7, YOLOv8, and RT-DETR models to detect different types of military aircraft. The dataset used consists of images of 43 different types of military aircraft captured from various angles and backgrounds. During the training and testing of the models, the effects of hyperparameters on performance were thoroughly analyzed. The experimental results show that the RT-DETR model performs more consistently with 92.7% mAP and 90.4% recall. The YOLOv8 model achieves the highest mAP at 94%, but falls behind RT-DETR with 88.1% recall. The YOLOv7 model has 90.2% mAP and 82.7% recall.
Benzer Tezler
- Architectural section generation and semantic evaluation with deep learning methods
Derin öğrenme yöntemleri ile mimari kesit üretimi ve anlamsal değerlendirilmesi
ECE SAVAŞ
Yüksek Lisans
İngilizce
2025
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. MİNE ÖZKAR KABAKÇIOĞLU
- FMCW radar verilerinin makine öğrenmesi yöntemleri ile sınıflandırılması
Classification of targets by using FMCW radar data with machine learning methods
EMRE CAN ERTEKİN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. SELDA GÜNEY
- An accelerated GPU library for efficient homomorphic encryption operations in the CKKS scheme
CKKS şemasının homomorfik şifreleme işlemleri için hızlandırılmış verimli GPU kütüphanesi
ENES RECEP TÜRKOĞLU
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiMühendislik ve Doğa Bilimleri Ana Bilim Dalı
PROF. DR. ERKAY SAVAŞ
- Derin öğrenme mimarileri kullanılarak drone ile askeri araç ve silahların sınıflandırılması
Classification of military vehicles and weapons with drones using deep learning architectures with drones
DOĞAN EROL
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. KEMAL ADEM
- Derin öğrenme ile sentetik tıbbi beyin görüntülerinin üretilmesi
Başlık çevirisi yok
ÜVEYS YILDIZ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet ÜniversitesiOptik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RUKİYE KARAKIŞ