Supervised and unsupervised ship detection for remotely sensed images
Uzak algılama görüntülerinde denetimli ve denetimsiz gemi tespiti
- Tez No: 984769
- Danışmanlar: PROF. DR. FATİH NAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Anomali tespiti, Görüntü bölütleme, Anomaly detection, Image segmentation
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, deniz gözetleme, liman izleme ve deniz istihbaratı açısından kritik öneme sahip olan hava ve uydu görüntülerinden otomatik gemi tespiti problemini ele almaktadır. Bu zorluğun üstesinden gelmek için hem etiketli hem de etiketsiz verileri kullanan iki tamamlayıcı yöntem önerilmektedir. İlk yöntem, klasik RX anomali tespiti yöntemini geliştiren, karo tabanlı bir Global-Local RX (GLRX) dedektörüdür. Bu yöntem, küresel istatistiksel bağlamı yerel uzamsal farkındalıkla birleştirerek uzaklığa dayalı ağırlıklı karo birleşimi ile anomali tespitini güçlendirmektedir. Etiketlenmiş piksel verisi gerektirmeyen bu denetimsiz yaklaşım, etkili anomali lokalizasyonu sağlamaktadır. İkinci yöntem, Segment Anything Model (SAM) üzerine Low-Rank Adaptation (LoRA) yaklaşımı ile yapılan denetimli derin öğrenme temelli ince ayar sürecidir. SAM-LoRA yapısı, gemi segmentasyonu görevine yönelik olarak piksel bazlı maskeler ile optimize edilmiştir. Farklı LoRA rank değerleri ve omurga yapılandırmaları test edilmiştir. ViT-L daha yüksek bir doğruluk sağlamış olsa da, ViT-B omurgası ve 256 LoRA derecesi ile elde edilen yapı, segmentasyon doğruluğu ile hesaplama verimliliği arasında dengeli bir çözüm sunduğundan tercih edilmiştir. Bu iki yöntem birlikte, hem denetimli hem de denetimsiz senaryoları kapsayan sağlam bir gemi tespiti hattı sunmaktadır.
Özet (Çeviri)
This thesis addresses the problem of automated ship detection in aerial and satellite imagery, a task critical to maritime surveillance, port monitoring, and naval intelligence. Two complementary methodologies are proposed to address this challenge, utilizing both labeled and unlabeled data. The first method introduces a tile-based Global-Local RX (GLRX) detector, which enhances classic RX anomaly detection by combining global statistical context with local spatial awareness through distance-weighted tile fusion. This unsupervised approach allows effective anomaly localization without requiring pixel-level labels. The second methodology employs a supervised deep learning approach, fine-tuning the Segment Anything Model (SAM) using Low-Rank Adaptation (LoRA). The SAM-LoRA framework is optimized for ship segmentation using pixel-level masks. Various LoRA ranks and backbone configurations are tested. While ViT-L yields slightly higher performance, the ViT-B backbone with LoRA rank 256 is selected due to its favorable balance between segmentation accuracy and computational efficiency. Together, these two methods offer a robust pipeline for ship detection under both supervised and unsupervised scenarios.
Benzer Tezler
- Gemi yapılarında gerilme yığılması öngörülerinin kaba ağ yapısı ve makine öğrenmesi ile gerçekleştirilmesi
The forecasting of stress concentration in ship buildings by using rough mesh structure and machine learning method
BURÇİN ATEŞ
Yüksek Lisans
Türkçe
2020
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknolojisi Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERDAR AYTEKİN KÖROĞLU
- Yassı alüminyum üretiminde kalite sınıflarının makine öğrenmesi yöntemleri ile tahminlenmesi
Prediction of quality classification in flat rolled aluminium production using machine learning methods
ALPEREN AYTATLI
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER KİRAZ
- Supervised and unsupervised learning techniques in data mining
Veri madenciliğinde yönlendirilmiş ve yönlendirilmemiş öğrenme teknikleri
MEHMET SEVAL KAYGULU
Yüksek Lisans
İngilizce
1999
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ.DR. ALP KUT
- Supervised and unsupervised machine learning techniques for text document categorization
Belge sınıflandırma için gözetimli ve gözetimsiz öğrenme algoritmaları
ARZUCAN ÖZGÜR
Yüksek Lisans
İngilizce
2004
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ETHEM ALPAYDIN
- Supervised and unsupervised models of brain networks for brain decoding
Beyin durumu tanıma için gözetimli ve gözetimsiz olarak oluşturulan beyin ağları
ABDULLAH N.A. ALCHIHABI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATOŞ TUNAY YARMAN VURAL