Uzaktan algılama görüntülerinde derin öğrenme temelli yaklaşımlar kullanarak nesne tespiti

Abstract

Uzaktan algılama görüntülerinde nesne tespiti konusu özellikle yeryüzeyine dair alakalı gözlemlerde birçok alanda kendine yer bulmaktadır. Zengin detaya sahip uydu ve hava görüntülerinin elde edilmesiyle beraber insan yapımı birçok nesnenin algılanıp ayırt edilebilmesi mümkün hale gelmiştir. Bununla beraber, değişken nesne ölçekleri ve görünümleri, ayrıca görüntülemeye dair bir takım etkenler bu görevi zorlu bir hale getirmektedir. Öte yandan, derin öğrenme alanında gerçekleşen ilerlemeler ve bunların uzaktan algılama alanına uyarlanması nesne algılama görevinde önemli iyileştirmeler sağlamıştır. Özellikle, konvolüsyonel sinir ağlarının kullanıldığı bölge-tabanlı nesne tespit araçları doğal görüntülerdeki tespit görevlerinde insan başarımını geride bırakmıştır. Bu yapıdaki bir model olan Mask R-CNN verilen görüntüdeki hedef nesneleri maskeleriyle beraber çıkarma kabiliyetindeki en güncel tespit sistemlerinden biridir. Bu tezde, tespit hedefi olarak gemi örneği ele alınarak uydu görüntülerinde yer alan bu sınıftaki nesnelerin tespiti için Mask R-CNN modelinin kullanımı önerilmiştir. Modelin farklı ölçeklerde de yüksek doğrulukta çalışabilmesi için özellik haritalarının yüksek semantik değere sahip üst katmanlarıyla mekansal çözünürlüğü fazla olan alt katmanlarının kaynaştırıldığı özellik piramit ağının kullanımı önerilmiştir. Ayrıca, üretilen yanlış alarmları azaltmak adına modelin negatif örneklemle eğitimi veya kayıp hesabında odak kayıp fonksiyonunun kullanımı önerilmiştir. Bu çalışma kapsamında sunulan öneriler, oluşturulan veri setleri üzerinde değerlendirilmiş ve doğruluk, kesinlik ve F1 skorları açısından gemi tespiti konusundaki en iyi performansı göstermiştir.

The issue of object detection in remote sensing images finds its place in many areas, especially in observations related to the earth. With the acquisition of richly detailed satellite and aerial images, it has become possible to detect and distinguish many man-made objects. However, variable object scales and appearances, as well as a number of display factors make this task challenging. On the other hand, advances in the field of deep learning and their adaptation to the field of remote sensing have provided significant improvements in the object detection task. In particular, region-based object detection tools using convolutional neural networks outperformed human performance in detection tasks in natural images. Mask R-CNN, which is a model in this structure, is one of the most up-to-date detection systems capable of extracting target objects in the given image with their masks. In this thesis, the use of the Mask R-CNN model for the detection of objects of this class in satellite images is proposed by considering the ship sample as a detection target. In order for the model to work at different scales with high accuracy, it is proposed to use the feature pyramid network, in which the upper layers of feature maps with high semantic values and the lower layers with high spatial resolution are fused. In addition, in order to reduce false alarms, training of the model with negative sampling or use of the focal loss function in the loss calculation is proposed. In order to perform a more quantitative error analysis, it is suggested that test images be classified according to their contents and the dimensions of the objects. Suggestions presented within the scope of this study were evaluated on the data sets created and showed the best performance in ship detection in terms of accuracy, precision and F1 scores.