Use of spatial information in classification and segmentation of synthetic aperture radar images

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: İngilizce

Öğrenci: ÜNSAL GÖKDAĞ

Danışman: Gökhan Bilgin

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tez, farklı U Şekilli Ağların anlamsal sınıflandırma performansları üzerine çeşitli deneyler yapmak ve sınıflandırma sonuçlarını sınıflandırma sonişlem sürecinden geçirerek anlamsal sınıflandırma başarımını arttırma üzerine yazılmıştır. Anlamsal sınıflandırma son yıllarda U Şekilli ağların icadı ile birlikte ciddi bir önem kazanmış ve bu süreçte U-Ağ üzerine çeşitli geliştirmeler yapılarak çeşitli modeller elde edilmiştir. Bu tezde U-Ağ, İlgi Mekanizmalı U-Ağ, Transformatör U-Ağ ve Swin U-Ağ mimarileri 2 farklı Yapay Açıklıklı Radar (YAR) ve multispektral veri kümesi üzerinde en önemli iki hiperparametre'nin (başlangıç öğrenme katsayısı ve üstel öğrenme katsayısı sönümü) etkisi üzerine yazılmıştır. Her ne kadar farklı hiperparametrelerin sonuçları etkilediği görülse de, YAR ve multispektral veri kümelerinin yüksek gürültülü yapıları sebebiyle en yüksek performanslar ancak probleme özgü hiperparametrelerin seçilmesiyle elde edilebilmiş ve tüm veri kümeleri için ortak bir optimal çözümün mümkün olmadığını göstermiştir. YAR görüntüleri üzerinde piksel tabanlı ve uzamsal tabanlı sınıflandırma algoritmalarının ikisinin de piksel seviyesinde hata yaptığı gözlemlenmiştir. Bu tezde tamamlayıcı Gauss çekirdeği (TGÇ) kullanılarak sınıflandırma hatalarının giderimi hedeflenmiştir. Önerilen metodun başarımının tespiti için düz çekirdek (DÇ), Gauss çekirdeği (GÇ), rasgele Markov ağları (RMA) ve toplam varyasyon (TV) metodları kıyaslanmıştır. Önerilen metod filtreleme ve yeniden öğrenme yöntemlerinin bir bileşkesi olup YAR görüntülerine uygulanabilecek bir sınıflandırma son işlem yöntemidir. Önerilen yöntemde her bir pikselin konvolüsyonel sinir ağları tarafından tüm sınıflara ait olasılıkları hesaplanır. Daha sonra bu olasılıklar DÇ, GÇ, TV ve TGÇ metodları ile komşu piksel olasılıkları ile birlikte güncellenmiştir. Yapılan deneyler sonucunda önerilen TGÇ metodunun diğer metodlardan sınıflandırma başarımını daha fazla arttırdığı gözlemlenmiş ve yapılan McNemar istatistik testine göre elde edilen sınıflandırma değişimi miktarı istatistiksel anlamlılık ifade etmektedir.