Segformer modelleri ile bina tespiti
Building detection with segformer models
- Tez No: 934621
- Danışmanlar: PROF. DR. PAKİZE ERDOĞMUŞ, ÖĞR. GÖR. YASİN ÖZKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bina Segmentasyonu, SegFormer, Derin Öğrenme, Bina Tespiti, Deprem Analizi, Veri Görselleştirme, Building Segmentation, SegFormer, Deep Learning, Building Detection, Earthquake Analysis, Data Visualization
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Düzce Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 105
Özet
Depremler, altyapı ve üstyapılarda ciddi hasarlara yol açarak toplumları olumsuz etkileyen doğal afetlerdir. Deprem sonrası bina tespiti, doğru ve hızlı müdahaleler için kritik öneme sahiptir. Bu çalışmada bina tespitinde SegFormer modellerinin performansını değerlendirmek amacıyla 2017 Meksika Depremi ve 2023 Hatay Depremi'ne ait uydu görüntüleri kullanılmıştır. SegFormer modeli, nesnelerin piksel düzeyinde segmentasyonu için geliştirilmiş bir derin öğrenme yöntemidir. Çalışmada, SegFormer'ın B0,B1,B2,B3,B4 ve B5 modelleri, semantik segmentasyon görevinde test edilmiş, Meksika ve Hatay veri setlerinde kapsamlı analizler gerçekleştirilmiştir. Veri setleri, ortak çözünürlüğe dönüştürülmüş, segmentasyon maskeleri oluşturulmuş ve modeller eğitim sürecinde doğruluk, kayıp ve segmentasyon başarısı gibi metriklerle değerlendirilmiştir. Elde edilen sonuçlara göre, SegFormer B4 modeli, Meksika veri setinde 0,8528 doğruluk, 0,7996 geri çağırma, 0,7395 mAP, 0,6824 IoU ve 0,8001 Dice katsayısı ile en başarılı model olmuştur. Bu model, büyük binaların sınırlarını doğru şekilde belirleme ve segmentasyon maskelerinin tutarlılığı açısından diğer modellere göre daha başarılıdır. Hatay veri setinde ise B4, 0,7906 doğruluk, 0,5933 Dice katsayısı ve 0,4280 IoU ile görece dengeli bir performans göstermiştir. B0 modeli diğer modellere göre düşük başarı göstermiştir. Karmaşık yapısına rağmen, B5 modeli küçük detayların tespitinde başarısız olmuştur. Çalışmada SegFormer B4 modelinin bina segmentasyonunda etkili olduğu görülmüş ve gelecek araştırmalar için veri seti optimizasyonunun önemi vurgulanmıştır.
Özet (Çeviri)
Earthquakes are natural disasters that significantly impact societies by causing severe damage to infrastructure and superstructures. Post-earthquake building detection is critical for accurate and rapid interventions. This study evaluates the performance of SegFormer models in building detection using satellite images from the 2017 Mexico Earthquake and the 2023 Hatay Earthquake. SegFormer is a deep learning method developed for pixel-level segmentation of objects. In the study, SegFormer models B0, B1, B2, B3, B4, and B5 were tested in semantic segmentation tasks, and comprehensive analyses were conducted on the Mexico and Hatay datasets. The datasets were standardized to a common resolution, segmentation masks were generated, and the models were evaluated during the training process using metrics such as accuracy, loss, and segmentation performance. The results indicate that the SegFormer B4 model performed best on the Mexico dataset, achieving 0,8528 accuracy, 0,7996 recall, 0,7395 mAP, 0.6824 IoU, and 0.8001 Dice coefficient. This model outperformed others in accurately delineating the boundaries of large buildings and maintaining consistency in segmentation masks. On the Hatay dataset, the B4 model demonstrated relatively balanced performance, with 0,7906 accuracy, 0,5933 Dice coefficient, and 0,4280 IoU. The B0 model showed lower performance compared to the others, while the B5 model, despite its complexity, struggled with detecting small details. The study concludes that the SegFormer B4 model is effective for building segmentation and emphasizes the importance of dataset optimization for future research.
Benzer Tezler
- Building damage assessment from post-earthquake drone images using deep learning based segmentation methods: The case of February 6, 2023 Türkiye earthquakes
Derin öğrenme tabanlı bölütleme yöntemleri kullanılarak deprem sonrası drone görüntülerinden bina hasar tespiti: 6 Şubat 2023 Türkiye depremleri örneği
BEYZA GÜRER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MİNE ELİF KARSLIGİL
- Derin öğrenme tabanlı bölütleme yöntemleriyle deprem sonrası uydu görüntülerinden hasarlı bölgelerin tespiti: 6 Şubat 2023 Türkiye depremleri örneği
Detection of damaged regions from post-earthquake satellite images with deep learning based segmentation methods: The case of February 6, 2023 Türkiye earthquakes
MEHMET CAN EKKAZAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MİNE ELİF KARSLIGİL
- Land cover segmentation of very high-resolution remotely sensed data using CNN and transformer models
Transformer ve CNN modelleri kullanarak çok yüksek çözünürlüklü uzaktan algılama görüntülerinin arazi örtüsü segmentasyonu
CENGİZ AVCI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUydu Haberleşmesi ve Uzaktan Algılama Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Endoskopik görüntülerden polip segmentasyonu ve gastrointestinal bulguların sınıflandırılması: Rransformers ve hibrit modellerin etkinliği
Polyp segmentation and classification of gastrointestinal findings from endoscopic images: The effectiveness of transformers and hybrid models
BENGİSU UNGAN EKER
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATMA ZEHRA SOLAK
- Arazi kullanım haritalarının üretilmesi amacıyla ortofotoların derin öğrenme yöntemleri kullanılarak sınıflandırılması
Classification of orthophotos using deep learning methods for the production of land use maps
BERFİN PELİN CANBOLAT
Yüksek Lisans
Türkçe
2025
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER ŞEN