Farklı derin öğrenme yaklaşımları ile yolların segmentasyonu
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, HARİTA MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2019
Tezin Dili: Türkçe
Öğrenci: SİNAN SİVRİ
Danışman: Bülent Bayram
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Görüntülerden çizgiselliklerin özelliklerin çıkarımı görüntü işleme tekniklerinin çözmeye çalıştığı en temel problemlerden biridir. Özellik çıkarımı hem verinin saklanmasında hem de analiz edilmesinde büyük avantajlar sağlamaktadır. Özellik çıkarımında derin öğrenme algoritmaları son dönemlerde oldukça popüler hale gelmiştir. Bilgisayarlı görü, geomatik ve Coğrafi Bilgi Sistemleri (CBS) ile birlikte yaygın olarak kullanılmaktadır. Modern bilgisayarların işlem kapasiteleri arttıkça bilgisayarlı görü tekniklerinin uygulama alanları genişlemekte ve daha tatmin edici sonuçlara ulaşılabilmektedir. Karayolu altyapısının güncellenmesi, afet yönetiminde, afet sonrası kullanılabilir karayollarının belirlenmesi, ulaşım altyapısı ile ilgili planlama faaliyetleri, bilgi üretiminin standartlaştırılması bakımından çok önemlidir. Derin öğrenme algoritmaları, gürültülü ve karmaşık yapıya sahip veri setlerinde klasikleşmiş makine öğrenmesi algoritmalarına göre daha tutarlı sonuçlar vermektedir. Bu bağlamda 3 bantlı (Kırmızı-Yeşil-Mavi) yüksek çözünürlüklü ortofotolar üzerinden karayollarının otomatik bölütlenmesini sağlayan derin öğrenme modelleri eğitilmiştir. Karayollarının çıkartılması, bir bölütleme işlemini tanımlamaktadır. Bu nedenle kodlayıcı-çözücü yapısına sahip ve bölütleme işlemleri için tasarlanan Segnet, Unet ve Linknet mimarileri temel alınmıştır. Çalışma kapsamında Savaştepe, İstanbul ve Massachusetts konumlarına ait ortofoto görüntüler derin öğrenme mimarilerinin eğitiminde kullanılmıştır. Buna ek değerlendirme amacıyla Bergama konumunda elde edilen yüksek çözünürlüklü ortofoto görüntüler ile eğitilen tüm modellerin başarısı test edilmiştir. Eğitim verisinin oluşturulmasında uzman operatör tarafından sayısallaştırılan karayolları kullanılmıştır. Kullanılan etiket bilgisi uzman operatörlerin ürettiği karayolu sınırlarından elde edilmiştir. Eğitimde kullanılan ortofotolar 512 piksel satır ve sütun büyüklükte parçalara bölünmüştür. Eğitim işlemi için k-Katlı Çapraz Doğruluk yöntemi uygulanmış; k parametresi 5 olarak seçilmiştir. Buna göre veri setleri 5 parçaya bölünerek her bir parça test kümesi olarak sırayla kullanılmıştır. Segnet, Unet ve Linknet mimarilerine ait modeller, herhangi bir ön eğitim yapılmadan Savaştepe veri seti için 1098 örnek üzerinde eğitilmiş ve 264 örnek üzerinde test edilmiştir, İstanbul veri seti için 1064 adet örnek üzerinde eğitilmiş ve 266 örnek üzerinde de test işlemi gerçekleştirilmiştir. Massachusetts veri seti için ise 1800 eğitim ve 450 test örneği kullanılmıştır. Test işlemleri için tamamen farklı bir konumdan elde edilen ve 30 görüntü örneği içeren Bergama veri seti kullanılmıştır. Doğruluk ölçütü olarak Dice ve Jaccard katsayıları seçilmiştir. Eğitim işlemi sonucunda test doğruluğunda Massachusetts veri seti için en yüksek doğruluk Segnet mimarisi ile 0,9935 Dice ve 0,9873 Jaccard olarak; Savaştepe veri seti için en yüksek doğruluk Segnet mimarisi ile 0,9891 Dice ve 0,9785 Jaccard; İstanbul veri seti için en yüksek doğruluk Segnet mimarisi ile 0,9926 Dice ve 0,9854 Jaccard olarak elde edilmiştir. Her üç veri seti üzerinde eğitilen tüm modeller Bergama veri seti ile test edilerek test doğruluklarındaki değişim gözlenmiştir. Bergama ve eğitim yapılan veri seti içerisinde en az fark olan model Segnet modelinin İstanbul veri seti üzerinde eğitilen varyantı; en başarılı model olarak seçilmiştir. Seçilen modelin başarısı eğitimde kullanılan Savaştepe ve Massachusetts veri setlerinin tamamı ile test edilerek eğitim yapılan veri seti üzerindeki doğruluk parametrelerine göre karşılaştırılmıştır. Buna göre seçilen modelin veri setleri üzerinde elde ettiği doğruluklar; Savaştepe veri seti için 0,8983 Dice ve 0,8261 Jaccard, Massachusetts veri seti için 0,9627 Dice ve 0,9298 Jaccard olarak elde edilmiştir. İstanbul veri seti hariç elde edilen ortalama doğruluk değerleri ise; 0,9235 Dice ve 0,8642 Jaccard olarak elde edilmiştir.