Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
I- ÖĞRENCİ BİLGİLERİ
:
:
:Adı ve Soyadı
Numarası
Anabilim Dalı
II- SINAV BİLGİLERİ
Tezin Başlığı
Tez Özeti
:
:
:
:
TEZ SAVUNMA SINAVI DUYURU FORMU
Not: Tez savunma sınav duyurusu, anabilim dalı başkanlıgı̆nca ilgili bo ̈lu ̈mu ̈n duyuru panosunda ve/veya internet sitesinde ilan edilir.Bu formun bir kopyası [email protected] e-posta adresine gönderilmelidir.
F EN
B İLİMLERİ
ENSTİTÜSÜ
KARADENİZ TEKNİK ÜNİVERSİTESİFEN BİLİMLERİ ENSTİTÜSÜ
LİSANSÜSTÜ TEZ SAVUNMASI
:
Savunma Tarihi
Savunma Saati
Sınav Yeri
Yüksek Lisans Doktora Bütünleşik Doktora Programı :
Form O2
Form
Gün
celle
me
Tarih
i: 15
.03.
2019
Text16: 2020Text14: 10Text15: 02Text17: 09Text18: 00Text25: /Text2: 328056Text25555: :Aşağı Açılır Kutu1: [Harita Mühendisliği]yeri: Harita Mühendisliği bölümü Erdoğan ÖZBENLİ amfisiText1: Ekrem SARALIOĞLUText12: Derin Öğrenme İçin Kitle Kaynak Tabanlı Etiketli Veri Üretimi ve Çok Bantlı Görüntü Sınıflandırma İçin Bir 3D-2D CNN ModeliText20: Uydu görüntülerinin, derin öğrenme ile sınıflandırılmasında yaşanılan en büyük zorluk yeterince etiketli veri bulunamamasıdır. Bu sorunun çözümünde kitle kaynak yaklaşımının kullanılabilirliği araştırılmış ve uygulama ile gösterilmiştir. Kitle kaynak yöntemi, kullanıcıların dinamik yapıda veri üretebileceği şekilde hazırlanan web platformu üzerinden uygulanmıştır. Kullanıcılardan, verilen yardım dokümanı ile istenilen sınıfları içerecek şekilde etiketli veri oluşturmaları istenmiştir. Bu veri setlerinin kontrolü kullanıcılar tarafından sınıflara ait çizilmiş poligonlara verilen puan ile tespit edilmiştir. Toplamda 260262 piksel içeren veri seti hazırlanmıştır. Elde edilen veriler orijinal görüntü ile çakıştırılıp görsel olarak da incelenmiştir. Son olarak bu 40 parça görüntü, başarılı sonuçlar verdiği test edilerek üretilen spektral ve uzamsal yapıda CNN modeli ile sınıflandırılmıştır. Ortalamada genel doğruluk değerlerinin %95 üzeri sonuçlar verdiği tespit edilmiştir. Elde edilen sonuçlar kitle kaynak ile bu problemin çözülebileceğini göstermektedir. Kitle kaynağın sınıflandırma sonrası doğruluk değerlendirmede kullanımı aynı arayüzde sunulan modül vasıtasıyla gerçekleştirilmiştir. Bu amaçla, kullanıcılardan rastgele oluşturulmuş 1000 referans noktası için sınıf değerleri girmeleri istenmiştir. Farklı kullanıcılar tarafından 1000 referans noktasına ait girilen değerler üç kere oluşturularak çoğunluk oylaması yöntemiyle sonuç veri seti elde edilmiştir. Sonuçlar, kitle kaynak ile yüksek uzamsal çözünürlükteki multispektral görüntüler için referans noktalarının üretileceğini göstermektedir. Check Box2: OffCheck Box3: EvetCheck Box4: Off