Derin öğrenme kullanarak uzaktan algılama görüntülerindeki nesnelerin tespiti

Abstract

Son yıllarda arazi planlaması, şehir görüntüleme, trafik izleme, tarım uygulamaları gibi çok çeşitli alanlarda sıkça kullanılmaya başlayan insansız hava araçlarından çekilen görüntülerde nesne tespiti işlemi, hava ve uydu görüntü analizi alanında artan bir ilgi ile karşılanmaktadır. Bu tez çalışmasında, uzaktan algılama görüntülerindeki nesnelerin otomatik olarak tespit edilmesi için iki farklı nesne tespit modeli önerilmiştir. Önerilen ilk modelde, uzaktan algılama görüntüleri nesne tespiti konusunda oldukça başarılı sonuçlar almış olan Daha Hızlı Bölgesel Evrişimli Sinir Ağı (Daha Hızlı B-ESA) modeli yapısı temel alınmıştır. Bu yapının, insansız hava araçlarından çekilen görüntülerdeki nesne tespit performansının arttırılmasına yönelik geliştirmeler yapılarak önerilen model nihai duruma getirilmiştir. Önerilen ikinci model ise, üç farklı derin öğrenme nesne tespit modelinin optimize edilmiş katsayı ağırlıklı nesne tespiti yapmasına olanak sağlayan işbirlikçi bir nesne tespit modelidir. Önerilen her iki nesne tespit modelinin, etkinliği, verimliliği ve katkısı, uzaktan algılama görüntülerinden oluşan Northwestern Polytechnical University Very High Resolution 10 (NWPU-VHR10) veri seti üzerinde yapılan testlerde değerlendirilmiş ve sonuçları, bu tez çalışmasında detaylı olarak verilmiştir. Test sonuçları, literatürde aynı veri setini kullanan çalışmalara göre ilk modelin %1.7'lik, ikinci modelin ise %3.64'lük bir tespit başarısı artışı elde ettiğini göstermektedir. Böylece, uzaktan algılama görüntülerindeki nesne tespitinin zorluğunu ortadan kaldırabilecek iki yeni nesne tespit modeli önerilmiştir.

The object detection in the images taken from unmanned aerial vehicles, which have been frequently used in various fields such as land planning, city imaging, traffic monitoring, agriculture applications, has been receiving an increasing interest in the field of air and satellite image analysis. In this thesis, two different object detection models are proposed to detect objects in remote sensing images automatically. The first model proposed is based on the Faster Regional Convolutional Neural Network (Faster R-CNN) model structure, which has received very successful results in remote sensing images object detection. The proposed model was finalized by making improvements to increase the object detection performance of the remote sensing images. The second proposed model is a collaborative object detection model that allows three different deep learning object detection models to perform optimized coefficient weighted ensemble object detection. The effectiveness, efficiency and contribution of this proposed new models have been evaluated in the Northwestern Polytechnical University Very High Resolution 10 (NWPU-VHR10) data set consisting of remote sensing images and the results are detailed in this thesis. The test results show that according to the studies using the same data set in the literature, the first model achieved an increase in detection success of 1.7% and the second model increased by 3.64%. So, two new object detection models have been proposed that can eliminate the difficulty of object detection in remote sensing images.