POST-TRAINING MODEL QUANTIZATION APPROACHES IN COMPRESSION OF MULTITEMPORAL MULTISPECTRAL IMAGES

---

Tezin Türü: Yüksek Lisans

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

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Öğrenci: NASER SADEGHI GHARAGOZ

Danışman: Ali Can Karaca

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Çok bantlı (MS) uyduların ürettiği büyük veri miktarı, uzaktan algılama uygulamalarında görüntü sıkıştırmayı kritik hale getirmektedir. Aynı bölgenin farklı tarihlerde çekilmiş çok zamanlı görüntülerindeki zamansal korelasyonlar sıkıştırmada değerlendirilebilir. Bu çalışma, çok zamanlı MS görüntü sıkıştırma için hafif bir çekişmeli üretici ağ (GAN) olan MultiTempGAN'i temel alarak üç eğitim sonrası nicemleme yöntemini inceler: üniform, karışık hassasiyetli ve üniform olmayan nicemleme. Model parametrelerinin farklı bit değerleriyle temsil edilmesi, model boyutunu küçültürken görüntü kalitesini korur. Sentinel-2 MS görüntü çiftleriyle yapılan testler, nicemlenmiş modellerin orijinal modele kıyasla rekabetçi sinyal-gürültü oranı (SNR), Laplacian ortalama karesel hata (LMSE) sunduğunu, bit-başına piksel (bpp) metriklerini iyileştirdiğini ve sıkıştırmayla yeniden yapılandırma performansına minimum etki ettiğini göstermektedir. Sonuçlar, eğitim sonrası nicemlemenin GAN tabanlı sıkıştırmayı geliştirerek MS verilerinin verimli ve ölçeklenebilir işlenmesini sağladığını belirtmektedir.